ː̾ˋ̋ ˻ ̤Ǫː̾̃ Ǫ˲̝؈߱Ǫː̻˲ˁǪ˴߫Ǫː̻ǵ̸̶߮ Ǫ

‫وزارة اﻟﺘﻌﻠﲓ اﻟﻌﺎﱄ و اﻟﺒﺤﺚ اﻟﻌﻠﻤﻲ‬

Ȁ ˅̾̀ ̸ˈ˰ࠉ ˅̀ˠ̸̸̢̤̲˕̤ǪȇȨ̸̏ ̋ ̧ ̥ȅǪ˲̵ȇː̋ ̪˅ˡ

Présenté par : BOUKLIA HASSANE Rachid

Intitulé
GESTION INTÉGRÉE DES RESSOURCES EN EAU DE LA
WILAYA D’ORAN

Faculté FACULTE D’ARCHITECTURE ET DE GENIE CIVIL

Département HYDRAULIQUE

Spécialité Hydraulique

Option Hydraulique

Devant le Jury Composé de :

Membres de Jury Grade Qualité Domiciliation

-CHERIF El-Amine Professeur Président -USTO-MB-

-YEBDRI Djilali -Professeur Encadrant -USTO-MB-

-MANSOUR Hamidi -Professeur Univ.—Oran 2 -

Examinateurs
-DJEDID Abdelkader -Professeur Univ– Tlemcen

Année Universitaire : 2017/2018

 A la mémoire de ma chère Maman, décédée lors de ma
quatrième année de thèse, qui m'a constamment poussé,
assisté et motivé dans mes études. Sans elle et ses sacrifices
pour moi, je n'aurais pas fait d'études longues. Elle est
contente là-haut de voir que son fils a enfin terminé le
travail pour lequel elle m’a tant encouragé. Qu'elle en soit
remerciée. C’est pour toi ma chère Maman que ce travail
est dédié.

Repose en paix.

i
 REMERCIEMENTS

J e remercie Dieu tout puissant de m'avoir donné le courage, la force et la patience de

mener à bien ce travail.

A l'issue de la rédaction de cette recherche, je suis convaincu que la thèse est loin d'être
un travail solitaire. En effet, je n'aurais jamais pu réaliser ce travail doctoral sans le soutien
d'un grand nombre de personnes dont la générosité, la bonne humeur et l'intérêt manifestés
à l'égard de ma recherche m'ont permis de progresser dans ce travail.

C’est donc avec émotion que je tiens, en ces quelques lignes, à exprimer ma
reconnaissance envers tous ceux qui, de près ou de loin, ont contribué à la réalisation de
cette thèse.

Mes premiers remerciements vont à mon directeur de thèse, le Professeur Djilali

YEBDRI, pour m’avoir introduit à la gestion des ressources en eau et guidé tout au long de
mes recherches. Je ne vous remercierai jamais assez pour votre soutien, votre disponibilité
et vos conseils tout au long de la rédaction de cette thèse. Merci.

Mes remerciements vont aussi aux membres du jury, le Professeur CHERIF Med El
Amine de l’Université de Sciences et Technologie d’Oran (USTO) Président de jury, le
Professeur DJEDID Abdelkader de l’Université de Tlemcen et le Professeur MANSOUR Hamidi
de l’Université d’Es-Senia 2 d’Oran. Je veux les remercier pour le temps qu’ils ont accordé à
la lecture de cette thèse et pour l’honneur qu’ils me font de leurs remarques, de leur
attention et de leur présence.

Je souhaite également dire un grand merci à tous mes collègues enseignantes et

enseignants du département d’Hydraulique de l’Université des Sciences et de la Technologie
d’Oran avec qui j’ai partagé beaucoup de moments conviviaux et d’échanges dans les
bureaux ou autour d’une tasse de café.

Les mots me manquent pour remercier, à leur juste valeur, mon épouse Nihel et ma
petite fille Manoula qui ont su me supporter durant toutes ses longues années et qui m’ont
soutenu, encouragé et m’ont redonné confiance en moi dans les moments les plus difficiles.

ii
Je suis conscient que cela n’a pas été toujours facile pour eux de faire tous ces sacrifices. Je
remercie aussi ma belle-famille qui m’ont également encouragé et cru en moi.

Je remercie mes frères, Riad et ma belle-sœur Nahla, mes deux petites nièces Lyli et Fifi,
Mehdi le mystérieux, et Tarik le rêveur, pour leurs soutiens et encouragements.

Je remercie l’ensemble de ma famille, ma grand-mère (Mima), mes oncles, tantes,

cousins, cousines pour leur soutien et encouragements, même de loin, à achever ce travail.
Je voudrais avoir une pensée particulière pour mon Grand-père (Hadj) qui n’est plus parmi
nous mais qui, j’en suis sûr, est fier de moi pour avoir achevé cette thèse.

Je veux également souligner le soutien amical et chaleureux de mes copains de tous les
jours qui m’ont soutenu durant ce parcours doctoral. Je m’abstiens de les nommer tellement
la liste est longue mais qui se reconnaitront ; je leur dis un grand merci.

Enfin je ne peux clore ces remerciements sans remercier mon père pour m’avoir, avec
Maman, permis avec leur abnégation et leur sacrifice, d’être là où je suis aujourd’hui. Tous
les mots au monde seront bien insuffisants pour vous exprimer toute ma gratitude.

iii
 RESUME

La gestion des ressources en eau en situation de rareté est un domaine complexe faisant intervenir
plusieurs acteurs et plusieurs secteurs dans des relations interdépendantes mais avec des objectifs
souvent conflictuels. Cette complexité est exacerbée par les perspectives de changement climatique.
Les modèles climatiques montrent en effet que le réchauffement climatique affectera le volume des
précipitations et la fréquence des événements hydrologiques extrêmes, comme les inondations et les
sécheresses, et stimulera à la hausse les besoins des différents secteurs.
A cet effet, ce travail poursuit trois objectifs. Le premier est de fournir pour la région d’Oran les
éléments d’une gestion intégrée des ressources en eau en tant que cadre pour la planification,
l'organisation et l'exploitation des systèmes hydrologiques.
Le deuxième objectif de ce travail est d’étudier les dynamiques physiques qui contraignent
l’hydrosystème ainsi que les évolutions sociales et économiques et de présenter l’impact de ces
différents facteurs sur la demande et les ressources en eau dans un cadre formel unifié.
Le troisième objectif de ce travail est la prise en compte dans un cadre formalisé du changement
climatique car celui-ci exercera une pression supplémentaire sur la demande et la disponibilité de
l'eau dans la région.
La méthodologie utilisée pour répondre à ces objectifs repose à la fois sur la modélisation des
processus hydrologiques et des évolutions socioéconomiques et sur le recours aux méthodes de
réduction d’échelle des modèles climatiques de circulation globale.
Cette méthodologie nous a permis de procéder à des simulations d’impact, notamment du
changement climatique, et de mettre en évidence, dans une approche prospective, l’évolution de la
demande en eau des différents secteurs ainsi que le rythme d’exploitation des nappes souterraines
suivant différents scénarios. Elle nous a également permis, dans une perspective d’aide à la décision,
de présenter les voies d’atténuation des effets du changement climatique et de montrer notamment
que seul l’intégration du secteur agricole, actuellement découplé du reste de l’hydrosystème, permet
d’envisager une solution durable à la satisfaction des besoins en eau dans la région d’Oran.

Mots clés : Modélisation hydrologique, Gestion de l’eau, Simulations, Modèle WEAP,

Ressources en eau, Demande en eau, Wilaya d’Oran.

Abstract

The management of water resources in a situation of scarcity is a complex area involving several
actors and sectors in interdependent relationships but with often conflicting objectives. This
complexity is exacerbated by the prospects for climate change. Climate models show that global
warming will affect the amount of rainfall and the frequency of extreme hydrological events, such as
floods and droughts, and will boost the needs of different sectors.
For this purpose, this work has three objectives. The first is to provide the elements of integrated
water resources management as a framework for the planning, organization and operation of
hydrological systems in the Oran region.

iv
 ‫‪The second objective of this work is to study the physical dynamics that constrain the hydrosystem‬‬
‫‪as well as the social and economic evolutions and to present the impact of these different factors on‬‬
‫‪the demand and the water resources in a unified formal framework.‬‬
‫‪The third objective of this work is to take into account the climate change in a formalized‬‬
‫‪framework because it will put additional pressure on the demand and availability of water in the‬‬
‫‪region.‬‬
‫‪The methodology used to achieve these objectives is based both on the modeling of hydrological‬‬
‫‪processes and socio-economic evolution and on the use of downscaling methods of global circulation‬‬
‫‪climate models.‬‬
‫‪This methodology allowed us to proceed to impact simulations, notably of climate change, and to‬‬
‫‪highlight, in a prospective approach, the evolution of the water demand of the various sectors as well‬‬
‫‪as the rate of exploitation of the aquifers according to different scenarios. It also allowed us, to‬‬
‫‪present some ways to mitigate the effects of climate change. We show in this context that it is only by‬‬
‫‪integrating the agricultural sector, currently decoupled from the rest of the hydrosystem, that we can‬‬
‫‪we consider the irrigation issue in the region from a perspective of long-term sustainability and lay‬‬
‫‪the foundations for a satisfaction of the water needs in the region of Oran.‬‬
‫‪Keywords: hydrological modeling, Water Management, Simulation, WEAP Model, Water‬‬
‫‪Resources, Water demand, Department of Oran.‬‬

‫ﻣﻠﺨﺺ‬

‫إن ﺗﺴﯿﯿﺮ اﻟﻤﻮارد اﻟﻤﺎﺋﯿﺔ ﻣﻦ ﺣﯿﺚ ﻧﺪرﺗﮭﺎ ھﻲ ﻣﺠﺎل ﻣﻌﻘﺪ ﺗﻨﻄﻮي ﻓﻲ ﻋﺪة ﻋﻮاﻣﻞ وﻋﺪة ﻗﻄﺎﻋﺎت ﻓﻲ ﻋﻼﻗﺎت ﻣﺘﺮاﺑﻄﺔ ‘ ﻟﻜﻦ ﻣﻊ‬
‫أھﺪاف ﻣﺘﻌﺎرﺿﺔ ﻓﻲ ﻛﺜﯿﺮ ﻣﻦ اﻷﺣﯿﺎن‪ .‬وﯾﺘﻔﺎﻗﻢ ھﺬا اﻟﺘﻌﻘﯿﺪ ﺑﺴﺒﺐ وﺟﮭﺎت ﻧﻈﺮ ﺗﻐﯿﺮ اﻟﻤﻨﺎخ‪ .‬ﺗﺒﯿﻦ اﻟﻨﻤﺎذج اﻟﻤﻨﺎﺧﯿﺔ ﺑـﺄن اﻻﺣﺘﺒﺎس‬
‫اﻟﺤﺮاري ﺳﯿﺆﺛﺮ ﻋﻠﻰ ﺣﺠﻢ اﻟﺘﺴﺎﻗﻄﺎت وﺗﻜﺮار اﻷﺣﺪاث اﻟﮭﯿﺪروﻟﻮﺟﯿﺔ اﻟﻘﺼﻮى‘ ﻣﺜﻞ اﻟﻔﯿﻀﺎﻧﺎت واﻟﺠﻔﺎف ‘ وﺳﯿﺤﺚ ﻋﻠﻰ ارﺗﻔﺎع‬
‫اﺣﺘﯿﺎﺟﺎت ﻣﺨﺘﻠﻒ اﻟﻘﻄﺎﻋﺎت‪.‬‬

‫ﻟﮭﺬا اﻟﻐﺮض ھﺬا اﻟﻌﻤﻞ ﯾﻌﺘﻤﺪ ﻋﻠﻰ ﺛﻼﺛﺔ أھﺪاف‪ .‬اﻷول ﯾﻘﻮم ﺑﺘﻮﻓﯿﺮ ﻋﻨﺎﺻﺮ اﻟﺘﺴﯿﯿﺮ اﻟﻤﺘﻜﺎﻣﻞ ﻟﻠﻤﻮارد اﻟﻤﺎﺋﯿﺔ ﺑﺎﻋﺘﺒﺎرھﺎ إطﺎر ﻣﻦ‬
‫أﺟﻞ اﻟﺘﺨﻄﯿﻂ ‘ ﺗﻨﻈﯿﻢ واﺳﺘﻐﻼل اﻷﻧﻈﻤﺔ اﻟﮭﯿﺪروﻟﻮﺟﯿﺔ ﻓﻲ ﻣﻨﻄﻘﺔ وھﺮان‪.‬‬

‫اﻟﮭﺪف اﻟﺜﺎﻧﻲ ﻣﻦ ھﺬا اﻟﻌﻤﻞ ھﻮ دراﺳﺔ ﺣﺮﻛﯿﺔ اﻟﻮﺳﻂ اﻟﻔﯿﺰﯾﺎﺋﻲ اﻟﺬي ﯾﻘﯿﺪ اﻟﻨﻈﺎم اﻟﻤﺎﺋﻲ و اﻟﺘﻄﻮر اﻻﺟﺘﻤﺎﻋﻲ واﻻﻗﺘﺼﺎدي‬
‫وﻋﺮض ﺗﺄﺛﯿﺮ ﻣﺨﺘﻠﻒ ھﺬه اﻟﻌﻮاﻣﻞ ﻋﻠﻰ اﻟﻄﻠﺐ واﻟﻤﻮارد اﻟﻤﺎﺋﯿﺔ ﻓﻲ إطﺎر رﺳﻤﻲ ﻣﻮﺣﺪ‪.‬‬

‫اﻟﮭﺪف اﻟﺜﺎﻟﺚ ﻣﻦ ھﺬا اﻟﻌﻤﻞ ھﻮ اﻷﺧﺬ ﺑﻌﯿﻦ اﻻﻋﺘﺒﺎر ﻓﻲ إطﺎر رﺳﻤﻲ اﻟﺘﻐﯿﺮات اﻟﻤﻨﺎﺧﯿﺔ ﻷﻧﮭﺎ ھﻲ اﻟﺘﻲ ﺳﺘﻌﻄﻲ اﻟﻀﻐﻂ‬
‫اﻹﺿﺎﻓﻲ ﻋﻠﻰ اﻟﻄﻠﺐ وإﻣﻜﺎﻧﯿﺔ ﺗﻮﻓﯿﺮ اﻟﻤﯿﺎه ﻓﻲ اﻟﻤﻨﻄﻘﺔ‪.‬‬

‫اﻟﻄﺮﯾﻘﺔ اﻟﻤﺴﺘﻌﻤﻠﺔ ﻟﻺﺟﺎﺑﺔ ﻋﻠﻰ ھﺬه اﻷھﺪاف ﺗﺮﺗﻜﺰ ﻋﻠﻰ ﻧﻤﺬﺟﺔ اﻟﻌﻮاﻣﻞ اﻟﮭﯿﺪروﻟﻮﺟﯿﺔ واﻟﺘﻄﻮرات اﻻﺟﺘﻤﺎﻋﯿﺔ‪-‬اﻻﻗﺘﺼﺎدﯾﺔ‬
‫ﺑﺎﻟﻠﺠﻮء إﻟﻰ اﺳﺘﺨﺪام طﺮق ﺗﻘﻠﯿﺺ اﻟﻨﻤﺎذج اﻟﻤﻨﺎﺧﯿﺔ ﺑﺸﻜﻞ إﺟﻤﺎﻟﻲ‪.‬‬

‫وﻗﺪ أﺗﺎﺣﺖ ﻟﻨﺎ ھﺬه اﻟﻤﻨﮭﺠﯿﺔ إﺟﺮاء ﻋﻤﻠﯿﺎت ﻣﺤﺎﻛﺎة اﻷﺛﺮ‪ ،‬ﺑﻤﺎ ﻓﻲ ذﻟﻚ ﺗﻐﯿﺮ اﻟﻤﻨﺎخ ‘ وﺗﺴﻠﯿﻂ اﻟﻀﻮء‪ ،‬ﻓﻲ إطﺎر ﻧﻈﺮة ﻣﺴﺘﻘﺒﻠﯿﺔ‪،‬‬
‫ﻋﻠﻰ ﺗﻄﻮر اﻟﻄﻠﺐ ﻋﻠﻰ اﻟﻤﯿﺎه ﻓﻲ اﻟﻘﻄﺎﻋﺎت اﻟﻤﺨﺘﻠﻔﺔ‪ ،‬وﻛﺬﻟﻚ ﻣﻌﺪل اﺳﺘﻐﻼل اﻟﻤﯿﺎه اﻟﺠﻮﻓﯿﺔ ﻓﻲ إطﺎر ﺳﯿﻨﺎرﯾﻮھﺎت ﻣﺨﺘﻠﻔﺔ‪ .‬وﻗﺪ ﻣﻜﻨﺘﻨﺎ‬
‫أﯾﻀﺎ‪ ،‬ﻣﻦ إﻋﻄﺎء وﺟﮭﺔ ﻧﻈﺮ ﻻﺗﺨﺎذ اﻟﻘﺮار‪ ،‬ﻣﻦ ﺗﻘﺪﯾﻢ طﺮق ﻟﻠﺘﺨﻔﯿﻒ ﻣﻦ آﺛﺎر ﺗﻐﯿﺮ اﻟﻤﻨﺎخ وﻹظﮭﺎر ﺧﺎﺻﺔ ﺑﺄن إدﻣﺎج اﻟﻘﻄﺎع اﻟﺰراﻋﻲ‬
‫وﺣﺪه ‪ ،‬اﻟﺬي ﯾﻔﺼﻞ ﺣﺎﻟﯿﺎ ﻋﻦ ﺑﻘﯿﺔ اﻟﻨﻈﺎم اﻟﻤﺎﺋﻲ‪ ،‬ﺗﺴﻤﺢ ﻟﻠﺘﻮﺻﻞ إﻟﻰ ﺣﻞ داﺋﻢ ﻟﺘﻠﺒﯿﺔ اﺣﺘﯿﺎﺟﺎت اﻟﻤﯿﺎه ﻓﻲ ﻣﻨﻄﻘﺔ وھﺮان‪.‬‬

‫اﻟﻛﻠﻣﺎت اﻟﻣﻔﺗﺎﺣﯾﺔ‪ :‬اﻟﻧﻣذﺟﺔ اﻟﮭﯾدروﻟوﺟﯾﺔ‪ ,‬ادارة اﻟﻣﯾﺎه‪ ,‬ﻧﻣوذج ‪, WEAP‬اﻟﻣوارد اﻟﻣﺎﺋﯾﺔ‪ ،,‬وﻻﯾﺔ وھران‪.‬‬

‫‪v‬‬
 LISTE DES ABREVIATIONS

AGCM: Atmospheric Global Circulation Model.

ARMA: Autoregressive Moving Average.

AOGCM: Atmospheric- Oceanic coupled Global Circulation Model.

CIERCE: Climate Change and Impact Research: the Mediterranean Environment.

DPAT : Direction de la Planification et d’Aménagement du Territoire.

EBM: Energy base model.

GCM: Global climate models.

GIEC: International Group of Climate Change.

HadCM3: Hadley Centre Coupled Model, version 3.

IPCC: International Panel of Climate Change.

NCAR: National Center for Atmospheric Research.

NCEP: National Centers for Environmental Prediction.

OGCM: Oceanic Global Circulation Model.

PMH : Petite et Moyenne Hydraulique.

PIB : Produit Intérieur Brute.

SDEM : Station de Dessalement d’Eau de Mer.

SDSM: Statistical Downscaling Model.

SRES: Special Report on Emission Scenarios

STEP : Station d’épuration des eaux usées.

vi
 TABLE DES MATIERES

Liste des figures _____________________________________________________ xiii

Liste des tableaux____________________________________________________ xvi

INTRODUCTION GENERALE _____________________________________________ 1

CHAPITRE 1. PRESENTATION DE LA WILAYA D’ORAN _______________________ 6

1.1 LES CARACTERISTIQUES GENERALES DE LA WILAYA ___________________________ 7
1.1.1 LA LOCALISATION GEOGRAPHIQUE __________________________________________ 7
1.1.1.1 Le découpage administratif ____________________________________________________ 7
1.1.1.2 La démographie _____________________________________________________________ 8

1.1.2 CARACTERISTIQUES HYDROLOGIQUES DE LA WILAYA D’ORAN ____________________ 9

1.1.2.1 Les sous bassins versants de la wilaya ___________________________________________ 9
1.1.2.1 Les zones humides ___________________________________________________________ 9
1.1.2.2 Le réseau hydrographique____________________________________________________ 11

1.1.3 APERÇU GEOLOGIQUE DES SOUS BASSINS VERSANTS __________________________ 12

1.1.3.1 La plaine de la M’leta________________________________________________________ 12
1.1.3.2 La forêt de M’sila ___________________________________________________________ 12
1.1.3.3 Le flanc sud du Murdjadjo ____________________________________________________ 13
1.1.3.4 La plaine côtière oranaise ____________________________________________________ 13
1.1.3.5 Le plateau d’Oran___________________________________________________________ 13
1.1.3.6 Les monts d’Arzew __________________________________________________________ 14
1.1.3.7 Le plateau des Hassis ________________________________________________________ 14

1.1.4 CARACTERISTIQUES CLIMATIQUES _________________________________________ 14

1.1.4.1 Les températures ___________________________________________________________ 14
1.1.4.2 La pluviométrie ____________________________________________________________ 15

1.2 LES RESSOURCES EN EAU DE LA WILAYA D’ORAN ____________________________ 18

1.2.1 LES RESSOURCES CONVENTIONNELLES ______________________________________ 18
1.2.1.1 Les transferts Ouest _________________________________________________________ 19
1.2.1.1.1 Adduction de Beni-Bahdel ______________________________________________ 20
1.2.1.1.2 Adduction de la TAFNA ________________________________________________ 20
1.2.1.2 Les transferts Est ___________________________________________________________ 20
1.2.1.2.1 Le transfert Gargar-Oran _______________________________________________ 20
1.2.1.2.2 Adduction du Fergoug _________________________________________________ 21
1.2.1.3 Transfert du MAO __________________________________________________________ 22

1.2.2 LES RESSOURCES NON CONVENTIONNELLES__________________________________ 22

1.2.2.1 Les infrastructures de dessalement dans la wilaya d’Oran __________________________ 22
1.2.2.1.1 Station de dessalement d’eau de mer « KAHRAMA » à Arzew _________________ 22

vii
 1.2.2.1.2 La station de déminéralisation ‘Brédéah’ __________________________________ 23
1.2.2.1.3 Les stations de dessalement d’eau de mer « Les Dunes et Bousfer » ____________ 23
1.2.2.1.4 La station de dessalement de ‘Chatt el Hilal’ _______________________________ 23
1.2.2.1.5 La station de dessalement de la Mactâa ___________________________________ 24
1.2.2.2 Les infrastructures d’épuration de la wilaya d’Oran________________________________ 24
1.2.2.2.1 Station d’épuration du Groupement Urbain d’Oran d’El Karma ________________ 24
1.2.2.2.2 Station d’épuration de Ain El Turck _______________________________________ 24
1.2.2.2.3 Station d’épuration de Béthioua (en cours de réalisation)_____________________ 24

1.2.3 RESSOURCES EN EAU SOUTERRAINE ________________________________________ 25

1.2.3.1 Les unités hydrogéologiques de la wilaya________________________________________ 25
1.2.3.2 Les principaux modes de prélèvement sur aquifères _______________________________ 26

CHAPITRE 2. PROSPECTIVE DE L’EAU A L’HORIZON 2050 EN L’ABSENCE DE

CHANGEMENT CLIMATIQUE ___________________________________________ 29
INTRODUCTION __________________________________________________________ 30
2.1 LE MODELE DE DEMANDE EN EAU DANS LE SECTEUR HORS AGRICULTURE _______ 31
2.1.1 LES EQUATIONS DU MODELE ET SON CALIBRAGE______________________________ 31
2.1.2 ETABLISSEMENT DU SCENARIO DE REFERENCE________________________________ 34
2.1.2.1 Le scenario de référence : les hypothèses _______________________________________ 34
2.1.2.2 Les résultats du scenario de référence __________________________________________ 35

2.1.3 ANALYSE DE VARIANTES__________________________________________________ 37

2.1.3.1 Simulation d’un scenario de demande __________________________________________ 37
2.1.3.1.1 Dimension 1 : L’augmentation des besoins unitaires des ménages et du secteur de
l’industrie ____________________________________________________________________ 37
2.1.3.1.2 Dimension 2 : Une gestion active de la distribution des ressources en eaux ______ 39
2.1.3.1.3 Les résultats des simulations ____________________________________________ 39
2.1.3.2 Simulation d’un scenario d’accroissement des ressources __________________________ 41
2.1.3.2.1 Les hypothèses du scénario _____________________________________________ 41
2.1.3.2.2 Les résultats des simulations ____________________________________________ 42

2.2 MODELISATION DU SECTEUR AGRICOLE ET SA PROSPECTIVE A 2050. ____________ 45

2.2.1 LE PROCESSUS D’EVAPOTRANSPIRATION ____________________________________ 46
2.2.1.1 Détermination de l’évapotranspiration de référence ࡱࢀ૙ par unité hydrogéologique ___ 46
2.2.1.2 Détermination de l’évapotranspiration potentielle par unité hydrogéologique__________ 48

2.2.2 LA MODELISATION DU SECTEUR AGRICOLE ET SA PROSPECTIVE A 2050 ____________ 49

2.2.2.1 Les équations du modèle de pluie-ruissellement à coefficients simplifiés ______________ 49
2.2.2.2 Le paramétrage du modèle. __________________________________________________ 50

2.2.3 LE SCENARIO DE REFERENCE ______________________________________________ 52

2.2.4 VARIANTES ALTERNATIVES________________________________________________ 54
2.2.4.1 Scenario de réduction de la demande __________________________________________ 54
2.2.4.2 Scénarios de mobilisation des ressources _______________________________________ 55

viii
CHAPITRE 3. LA PREVISION DE LONG TERME DES CHANGEMENTS CLIMATIQUES
DANS LA WILAYA D’ORAN _____________________________________________ 58
INTRODUCTION __________________________________________________________ 59
3.1. LA PREVISION DU CHANGEMENT CLIMATIQUE DANS LA WILAYA D’ORAN:
L’APPROCHE STATISTIQUE __________________________________________________ 62
3.1.1. DESCRIPTION DE L’APPROCHE STATISTIQUE __________________________________ 62
3.1.2. LE MODELE STATISTIQUE DE PREVISION DES VARIABLES CLIMATIQUES ____________ 64
3.1.2.1. Stationnarisation des séries climatiques_________________________________________ 64
3.1.2.2. Identification du modèle _____________________________________________________ 66
3.1.2.3. Estimation du modèle _______________________________________________________ 68
3.1.2.4. La validation du modèle. _____________________________________________________ 68

3.1.3. LA SIMULATION DES MODELES : LES CHANGEMENTS CLIMATIQUES DANS LA WILAYA

D’ORAN ____________________________________________________________________ 69

3.2. LA MODELISATION CLIMATIQUE PAR LES PROCESSUS PHYSIQUES ______________ 71

3.2.1. LE SYSTEME CLIMATIQUE : UNE CARACTERISATION ____________________________ 72
3.2.1.1. Les composantes du système climatique ________________________________________ 72
3.2.1.1.1. L’hydrosphère. _______________________________________________________ 73
3.2.1.1.2. La cryosphère. _______________________________________________________ 73
3.2.1.1.3. La lithosphère. _______________________________________________________ 73
3.2.1.1.4. La biosphère. ________________________________________________________ 74
3.2.1.1.5. Atmosphère _________________________________________________________ 74
3.2.1.2. L’interdépendance des composantes du système climatique ________________________ 75
3.2.1.2.1. L’interdépendance dans les composantes du système climatique en termes de cycle
de l’eau ____________________________________________________________________ 76
3.2.1.2.2. L’interdépendance dans les composantes du système climatique en termes
d’échange d’énergie ___________________________________________________________ 77

3.2.2. UNE MODÈLISATION DE BASE DU SYSTEME CLIMATIQUE: LES MODÈLES BASÉS SUR
L’ENERGIE (EBM) _____________________________________________________________ 79
3.2.2.1. Rappels de quelques caractéristiques du rayonnement ____________________________ 80
3.2.2.2. Présentation du modèle EBM sans dimension ____________________________________ 82
3.2.2.2.1. La structure du modèle ________________________________________________ 82
3.2.2.2.2. La balance radiative ___________________________________________________ 83
a. La détermination de l’absorption Ein ______________________________________ 84
b. La détermination de l’émission Eout _______________________________________ 85
3.2.2.2.3. L’équilibre radiatif des modèles EBM _____________________________________ 86
3.2.2.2.4. La validation du modèle EBM ___________________________________________ 86
a. Une simulation de la température d’équilibre. _______________________________ 86
b. Les limites du modèle ___________________________________________________ 87
3.2.2.3. L’intégration de la dimension verticale dans un modèle EBM: le modèle de Neulin (2010) et
Stocker (2011) à une dimension ______________________________________________________ 89
3.2.2.3.1. Structure d’un modèle EBM à dimension verticale : les hypothèses _____________ 89
3.2.2.3.2. L’équilibre radiatif du modèle et la formulation mathématique de l’effet de serre _ 90
a. L’équilibre radiatif ______________________________________________________ 90
b. L’effet de serre naturel : une première approximation _________________________ 92

ix
 3.2.2.3.3. Le modèle à deux couches atmosphérique : la mise en évidence d’un gradient
thermique vertical _____________________________________________________________ 94
3.2.2.3.4. La validité du modèle climatique EBM à une dimension verticale : le prolongement
radiatif-convectif ______________________________________________________________ 98
a. Les limites du modèle EBM à une dimension_________________________________ 98
b. L’ajustement convectif: les modèles radiatifs-convectifs _______________________ 99

3.2.3. UNE MODELISATION SIMPLE DU FORÇAGE CLIMATIQUE ______________________ 100

3.2.3.1. Le forçage climatique_______________________________________________________ 100
3.2.3.1.1. Les différentes formes de forçage climatique______________________________ 101
3.2.3.1.2. Les gaz responsables du forçage radiatif. _________________________________ 102
3.2.3.1.3. L’importance du forçage climatique _____________________________________ 102
3.2.3.2. La représentation du forçage climatique _______________________________________ 104
3.2.3.3. L’impact du forçage sur le changement climatique : la perturbation de l’effet de serre __ 105
3.2.3.3.1. Effet direct: la perturbation de l’effet de serre par le forçage climatique ________ 105
a. Le cadre d’analyse _____________________________________________________ 105
b. Une simulation de l’effet direct d’un forçage anthropogénique sur l’effet de serre _ 107
3.2.3.3.2. L’amplification de l’effet de serre par les processus de feed back______________ 107

3.2.4. LA MODELISATION DU SYSTEME CLIMATIQUE PAR LES MODELES DE CIRCULATION

GLOBALE __________________________________________________________________ 109
3.2.4.1. Les grandes catégories de GCM ______________________________________________ 109
3.2.4.1.1. Les modèles atmosphériques de circulation globale (Atmospheric Global Circulation
Model : AGCM) ______________________________________________________________ 109
3.2.4.1.2. Les modèles de circulation globale océaniques (Oceanic Global Circulation Model :
OGCM) ___________________________________________________________________ 110
3.2.4.1.3. Les modèles atmosphériques-océaniques de circulation globale (Atmospheric-
Oceanic Coupled Global Circulation Model : AOGCM)________________________________ 110
3.2.4.1.4. Modèle de cryosphère ________________________________________________ 110
3.2.4.1.5. Modèle du cycle du carbone ___________________________________________ 110
3.2.4.2. Les objectifs des GCM ______________________________________________________ 112
3.2.4.3. La structure des GCM_______________________________________________________ 112

3.3. LA PREVISION DES CHANGEMENTS CLIMATIQUES DE LA WILAYA D’ORAN PAR LE

DOWNSCALING STATISTIQUE ______________________________________________ 115
3.3.1. LA NECESSITE DU DOWNSCALING DES MODELES DE CIRCULATION GLOBALE_______ 115
3.3.2. LES DIFFERENT TYPES DE DOWNSCALING ___________________________________ 116
3.3.2.1. Le downscaling dynamique __________________________________________________ 116
3.3.2.2. Le downscaling statistique (SDSM) ____________________________________________ 117

3.3.3. LA PRESENTATION DES METHODES DE DESCENTE D’ECHELLE STATISTIQUE ________ 117

3.3.3.1. Le principe _______________________________________________________________ 117
3.3.3.2. Les hypothèses____________________________________________________________ 119
3.3.3.3. Les étapes du downscaling statistique _________________________________________ 120

3.3.4. PRESENTATION DU LOGICIEL SDSM DE DOWNSCALING UTILISE _________________ 121

3.3.5. APPLICATION DU DOWNSCLATING STATISTIQUE A LA WILAYA D’ORAN___________ 123
3.3.5.1. Rappel succinct sur les observations climatiques locales utilisées ___________________ 123
3.3.5.2. Les GCM utilisées : NCEP/CAR et HADCM3______________________________________ 123

x
 3.3.5.3. La détermination de la fonction de transfert : forme, calibrage et validation. Le cas des
températures ____________________________________________________________________ 126
3.3.5.3.1. La forme de la fonction de transfert _____________________________________ 126
3.3.5.3.2. La sélection des prédicteurs ࢄ࢏des températures __________________________ 127
3.3.5.3.3. Le calibrage des paramètres de la fonction de transfert des températures ______ 130
a. Le calibrage des paramètres de températures moyennes et sa précision _________ 130
b. Le calibrage des températures maximales et minimales_______________________ 133
3.3.5.3.4. La validation du modèle calibré des températures__________________________ 133
a. La validation interne du calibrage des fonctions de transfert des températures____ 134
 La validation interne de la fonction de transfert des températures moyennes __ 134
 La validation interne des températures extrêmales. _______________________ 135
b. La validation externe des températures____________________________________ 136
 La validation externe des températures moyennes________________________ 136
 La validation externe des températures extrêmales _______________________ 137
3.3.5.4. La détermination de la fonction de transfert: forme, calibrage et validation : le cas des
précipitations ____________________________________________________________________ 138
3.3.5.4.1. Formes de la fonction de transfert et sélection des prédicteurs _______________ 138
3.3.5.4.2. Calibrage de la fonction de transfert _____________________________________ 139
3.3.5.4.3. Validation interne et externe du calibrage des paramètres des précipitations____ 139
3.3.5.5. Les prévisions de changement climatique dans la Wilaya d’Oran par réduction d’échelle des
GCM : 2011-2099 _________________________________________________________________ 141
3.3.5.5.1. Les hypothèses ______________________________________________________ 142
3.3.5.5.2. Quelques caractéristiques du modèle HadCM3 utilisé. ______________________ 142
3.3.5.5.3. Les scénarios étudiés _________________________________________________ 143
3.3.5.5.4. Les simulations d’impact des scénarios climatiques A2 et B2 sur la région d’Oran_ 145
a. Les prévisions de températures __________________________________________ 146
 Les températures moyennes__________________________________________ 146
 Les températures extrêmes __________________________________________ 148
b. Les prévisions des précipitations _________________________________________ 150

CHAPITRE 4. L’IMPACT DU CHANGEMENT CLIMATIQUE SUR LE SYSTEME

HYDROLOGIQUE ET SON ATTENUATION_________________________________ 155
INTRODUCTION _________________________________________________________ 156
4.1. PRESENTATION DU MODELE PLUIE-DEBIT (SOIL MOISTURE) UTILISE____________ 157
4.1.1. LA STRUCTURE DU SOUS-SOL_____________________________________________ 158
4.1.2. LES EQUATIONS DU MODELE HYDROLOGIQUE POUR LES DIFFERENTES FORMES
D’ECOULEMENT_____________________________________________________________ 159
4.1.2.1. L’évapotranspiration effective _______________________________________________ 160
4.1.2.2. Le ruissellement de surface __________________________________________________ 161
4.1.2.3. L’écoulement latéral et la percolation profonde _________________________________ 161
4.1.2.4. La recharge de la couche profonde____________________________________________ 162

4.2. LES CANAUX D’IMPACT DE LA SPHERE CLIMATOLOGIQUE SUR L’HYDROLOGIE DU

SYSTEME _______________________________________________________________ 165
4.3. IMPACT DES CHANGEMENTS CLIMATIQUES : SIMULATIONS __________________ 167
4.3.1. UN RAPPEL DE LA SITUATION PROSPECTIVE SANS CHANGEMENT CLIMATIQUE_____ 168

xi
 4.3.2. L’AGGRAVATION DES DEFICITS DES RESSOURCES PAR LE CHAGEMENT CLIMATIQUE :
UNE EVALUATION ___________________________________________________________ 169
4.3.3. L’ATTENUATION DE L’IMPACT NEGATIF DES CHANGEMENTS CLIMATIQUES _______ 171
4.3.3.1. La réduction des prélèvements des nappes par suite de l’intégration de la STEP _______ 173
4.3.3.2. La croissance des superficies irriguées _________________________________________ 174

CONCLUSION GENERALE _____________________________________________ 177

BIBLIOGRAPHIE_____________________________________________________ 181

xii
 LISTE DES FIGURES

Figure 1 : Présentation de la région d’étude (Wilaya d’Oran) _________________________ 7

Figure 2 : Découpage administratif de la wilaya d’ORAN_____________________________ 8
Figure 3 : Localisation des bassins et sous bassins versants de la Wilaya d’Oran (SOGREAH
2009) ____________________________________________________________________ 10
Figure 4: variations de températures mensuelles : 2005-2008________________________ 15
Figure 5: Précipitations sur la période : 1900 – 2010 _______________________________ 17
Figure 6: les Transfert Ouest de la wilaya d’Oran__________________________________ 19
Figure 7: Transfert Est _______________________________________________________ 21
Figure 8 : Localisation des Unités Hydrogéologiques de la Wilaya d’Oran (SOGREAH 2009) 28
Figure 9: Schéma hydraulique de la wilaya d’Oran. ________________________________ 35
Figure 10: évolution de la demande en eau de la wilaya d’Oran ______________________ 36
Figure 11: taux de satisfaction par secteur de la wilaya d’Oran ______________________ 36
Figure 12: Evolution de la demande supplémentaire en eau de la wilaya d’Oran _________ 40
Figure 13: évolution du taux de recouvrement des différents secteurs de la wilaya d’Oran.
Scénario intégré de demande._________________________________________________ 40
Figure 14: évolution du taux de recouvrement des différents secteurs utilisateurs de la wilaya
d’Oran.___________________________________________________________________ 43
Figure 15: origine de la ressource d’approvisionnement des utilisateurs de la wilaya d’Oran.
_________________________________________________________________________ 44
Figure 16: évolution de l’approvisionnement des utilisateurs à partir des transferts de la
wilaya d’Oran dans le scénario ressource 2017-2050. ______________________________ 44
Figure 17: évolution des débits de retour de la STEP vers la mer dans le scénario ressource
2017-2050. _______________________________________________________________ 45
Figure 18: Demande en eau d’irrigation de la wilaya d’Oran_________________________ 52
Figure 19: Diminution de la demande en eau par amélioration de l’efficience ___________ 55
Figure 20: Comparaison de l’exploitation de la nappe du Côtier Ain Türck dans les scénarios
avec et sans retenues collinaires _______________________________________________ 56
Figure 21: Comparaison de l’exploitation de la nappe du complexe du Murdjajo dans les
scénarios avec et sans retenues collinaires _______________________________________ 57
Figure 22 : Corrélogramme des autocorrélations simples des températures (figure du haut)
et des précipitations (figure du bas) ____________________________________________ 66
xiii
Figure 23 : coefficients d’autocorrélation partielle des séries des températures mensuelles
(figure du haut) et des précipitations annuelles (figure du bas) _______________________ 67
Figure 24 : Test de bruit blanc des résidus d’estimation : validation des modèles_________ 69
Figure 25 : Projection des températures (figure du haut) et des précipitations (figure du bas)
dans la wilaya d’Oran– horizon 2050 ___________________________________________ 70
Figure 26 : Une vue schématique du système climatique de la Terre. __________________ 72
Figure 27 : La complexité des interdépendances du système climatique ________________ 76
Figure 28 : Echanges radiatifs ‘système terrestre-atmosphère’ (enܹ ݉ − 2).____________ 78
Figure 29 : Comparaison de longueur d’ondes entre émissions solaires et terrestres ______ 82
Figure 30 : Représentation schématique du système climatique par les modèles EBM sans
dimension ________________________________________________________________ 83
Figure 31 : Simulation de la température terrestre à l’aide d’un EBM sans dimension _____ 87
Figure 32 : Profil du gradient thermique de l’atmosphère ___________________________ 88
Figure 33 : Structure du modèle EBM à une couche atmosphérique ___________________ 90
Figure 34 : Structure d’un modèle EBM avec deux couches atmosphérique _____________ 95
Figure 35 : Profil du gradient thermique suivant trois modèles _______________________ 98
Figure 36 : Evolution de la concentration annuelle de CO2 : 1750-2010 _______________ 103
Figure 37 : Cadre conceptuel du forçage climatique ______________________________ 104
Figure 38 : Le processus de feed-back de la vapeur d’eau __________________________ 108
Figure 39 : La progression des modèles EBM vers les GCM _________________________ 111
Figure 40 : L’évolution de la conception des GCM depuis 1970 ______________________ 111
Figure 41 : La structure en grilles des composantes d’un GCM ______________________ 113
Figure 42 : Le principe schématique du downscaling d’un modèle GCM _______________ 118
Figure 43 : La région d’Oran dans la grille de HadCm3 ____________________________ 125
Figure 44: Validation interne des températures moyennes _________________________ 135
Figure 45: Validation interne des températures extrêmes __________________________ 136
Figure 46: Validation externe des températures moyennes _________________________ 137
Figure 47: Validation externe des températures extrêmes__________________________ 137
Figure 48: Validation interne des précipitations __________________________________ 140
Figure 49: Validation externe des précipitations _________________________________ 140
Figure 50: Prévisions des températures annuelles dans la région d’Oran : 2011-2099 ____ 146

xiv
Figure 51: Comparaison des prévisions de températures moyennes annuelles par scénarios
________________________________________________________________________ 147
Figure 52: Comparaison des prévisions de températures moyennes par scénarios et par
saison___________________________________________________________________ 148
Figure 53: Evolution des températures annuelles maximales: 2011-2099 ______________ 149
Figure 54: Evolution des températures annuelles minimales: 2011-2099 ______________ 149
Figure 55: Evolution des précipitations journalières moyennes dans la région d’Oran (mm/j) :
2010-2099 _______________________________________________________________ 151
Figure 56: Comparaison des prévisions de précipitations journalières moyennes par scénarios
(mm/j) __________________________________________________________________ 152
Figure 57 : Comparaison des prévisions de changement climatique dans la région d’Oran
suivant les différentes approches (Box-Jenkins/SDSM_HadCM3)_____________________ 154
Figure 58 : Schématisation du modèle simple pluie-débit __________________________ 157
Figure 59 : Structure du modèle pluie-débit à deux réservoirs utilisé__________________ 159
Figure 60 : Relation entre le rapport entre (Evapotranspiration effective/Evapotranspiration
potentielle) et le contenu en humidité du sous-sol ________________________________ 161
Figure 61 : Synthèse de l’évolution de la demande en eau par grands secteurs hydrologiques :
2014-2050 _______________________________________________________________ 168
Figure 62 : Changement climatique et évolution de la demande en eau de l’agriculture __ 170
Figure 63 : Evolution du volume d’eau traité par la STEP : 2017 _____________________ 172
Figure 64 : Structure du système hydrologique de la région d’Oran __________________ 173
Figure 65 : Evolution des rejets vers la mer des eaux de la STEP – 2017-2050___________ 175
Figure 66 : Evolution des rejets de la STEP à la mer – scénario : accroissement des superficies
irriguées_________________________________________________________________ 176
Figure 67 : Recouvrement des sites utilisateurs de la STEP _________________________ 176

xv
LISTE DES TABLEAUX

Tableau 1: Caractéristiques des zones humides de la Wilaya ________________________ 11

Tableau 2: Régimes pluviométriques de la Wilaya d’Oran 1900-2010__________________ 16
Tableau 3: Superficie des unités hydrogéologiques ________________________________ 26
Tableau 4: Mode de prélèvement sur aquifères ___________________________________ 27
Tableau 5:Projection de la population totale de la Wilaya d’Oran : 2009-2050 __________ 35
Tableau 6: Evolution du TOL au niveau national : 2003-2030 ________________________ 38
Tableau 7: Evapotranspiration de référence par commune (en mm/j et en 1000m3/j) (ANRH,
2003) ____________________________________________________________________ 47
Tableau 8 : Evapotranspiration de référence par unités hydrogéologique ______________ 47
Tableau 9: Valeurs des coefficients culturaux par régions agricoles et cultures __________ 48
Tableau 10 : Volume d’évapotranspiration potentielle par unité hydrogéologique _______ 49
Tableau 11: valeurs estimées des coefficients culturaux moyen par unité hydrogéologique 51
Tableau 12: ressources hydriques et prélèvements en 2050 (en millions de m3). _________ 53
Tableau 13 : Tendance temporelle des températures ______________________________ 65
Tableau 14 : Tendance temporelle des précipitations ______________________________ 65
Tableau 15 : Estimation des coefficients des modèles de précipitations et des températures68
Tableau 16 : Bilan des échanges radiatifs ‘système terrestre-atmosphère’ (en ࢃ ࢓ − ૛).__ 78
Tableau 17 : Bilan radiatif du système climatique à une seule couche atmosphérique_____ 92
Tableau 18 : paramètrage du modèle EBM avec une couche atmosphèrique____________ 93
Tableau 19 : Simulation de l’effet de serre dans un modèle à une couche atmosphèrique __ 94
Tableau 20 : Bilan radiatif du système terrestre (avec deux couches atmosphériques) ____ 96
Tableau 21 : Simulation de l’effet de serre dans un modèle à deux couches atmosphèriques
_________________________________________________________________________ 97
Tableau 22 : Contribution des différents feedbacks à l’accroissement de la température de la
surface terrestre (en °K) ____________________________________________________ 109
Tableau 23 : Variables et paramètres de la fonction de transfert ____________________ 119
Tableau 24: Schéma général de l’approche par le downscaling statistique_____________ 120
Tableau 25 : Présentation du logiciel SDSM ___________________Erreur ! Signet non défini.
Tableau 26: Prédicteurs dans le modèle NCEP/NCAR ré-analysé. ____________________ 127

xvi
Tableau 27: Corrélation entre les prédicteurs du NCEP/NCAR retenus et les températures
moyennes dans la région d’Oran (1980-2001) ___________________________________ 129
Tableau 28: Corrélation entre les prédicteurs du NCEP/NCAR retenus et les températures
maximales et minimales dans la région d’Oran (1980-2001) ________________________ 130
Tableau 29: Calibrage des paramètres de la fonction de transfert ___________________ 132
Tableau 30: Calibrage des paramètres de la fonction de transfert des températures
extrêmales _______________________________________________________________ 133
Tableau 31: Corrélation entre les prédicteurs du NCEP/NCAR retenus et les précipitations
(1980-2001) ______________________________________________________________ 138
Tableau 32: Calibrage des paramètres du Modèle journalier des précipitations_________ 139
Tableau 33 : Quelques données sur le modèle de circulation globales HadCM3 _________ 143
Tableau 34: Aperçu de quelques forces motrices et des émissions de CO2 en 1990, 2020, 2050
et 2100 dans les scénarios du SRES ____________________________________________ 144
Tableau 35: Prévisions de température par décades et saisons: Scénario A2 ___________ 147
Tableau 36: Prévisions de température par décades et saisons: Scénario B2 ___________ 148
Tableau 37: Projections des températures maximales moyennes par saison ___________ 150
Tableau 38: Projections des températures minimales moyennes par saison____________ 150
Tableau 39: Prévisions des précipitations (mm/j) par décades et saisons: Scénario A2 ___ 152
Tableau 40: Prévisions des précipitations (mm/j) par décades et saisons: Scénario B2____ 152
Tableau 41 : Evolution moyenne et croissance de la demande en eau du secteur agricole sous
différents scénarios d’évolution climatique (millions de m3) ________________________ 170
Tableau 42 : Evolution du taux d’exploitation des nappes souterraines par scénario : 2020-
2050____________________________________________________________________ 171
Tableau 43 : Evolution du volume d’eau traité destiné à l’industrie et celui rejeté à la mer (en
millions de m3)____________________________________________________________ 172
Tableau 44 : Différence de prélèvement après Intégration de la STEP – (millions de m3)__ 174

xvii
 INTRODUCTION GENERALE

Contexte du travail

L'eau est de plus en plus considérée comme une ressource rare. L'un des principes de
la «Déclaration de Dublin», adoptée depuis plusieurs années déjà, stipule que l'eau est une
ressource à quantité limitée et vulnérable tout en étant essentielle à la vie, au
développement et à l'environnement. Plus récemment, les modèles climatiques ont montré
que le réchauffement climatique pourrait exercer davantage de pression sur la disponibilité
de l'eau en affectant le volume des précipitations et la fréquence des événements
hydrologiques extrêmes, comme les inondations et les sécheresses (Parry et al., 2007).

Cette pénurie d'eau induite par le changement climatique n'est pas uniformément
répartie à travers le monde. Des effets négatifs sont attendus dans les régions déjà arides ou
dans les pays en développement qui ne disposent pas des technologies et des infrastructures
nécessaires à la mobilisation des ressources en eau. Ainsi, aux alentours de 2020, entre 75 et
250 millions de personnes seront exposées à une augmentation du stress hydrique due au
changement climatique dans le continent africain (Pachauri et Reisinger, 2007). Selon Arnell
(2004: 43) la population sujette à un risque d’augmentation du stress hydrique en Afrique du
Nord sera d’environ de 48 millions de personne vers 2025. Dans la meme lignée, Tubiello
and Fischer (2007: 1031) affirment que : “A consensus has emerged that developing
countries are more vulnerable to climate change than developed countries, because of the
predominance of agriculture in their economies, the scarcity of capital for adaptation
measures, their warmer baseline climates, and their heightened exposure to extreme
events.”

L’Algérie se trouve ainsi parmi les pays où le changement climatique tendra à réduire
les disponibilités en ressources en eau d’une part, et d’autre part à stimuler à la hausse les
besoins en eau des différents secteurs. Cette situation, si elle n’est pas anticipée, risque
d’être une source de tensions insupportables sur les ressources hydrologiques dans le long

1
terme. C’est cette préoccupation qui est à l’origine de ce travail de thèse sur la prospective
du climat et sur ses multiples effets sur l’hydrosystème.

Les objectifs du travail

L’objectif principal de ce travail est de fournir les éléments d’une gestion intégrée des
ressources en eau en tant que cadre pour la planification, l'organisation et l'exploitation des
systèmes hydrologiques. En effet, ce cadre est la réponse aux défis tant du changement
climatique que de la croissance de la population et un moyen de contribuer à la réduction de
l'écart entre la disponibilité limitée de l'eau et la croissance de la demande des différents
secteurs utilisateurs (Grigg, (2008: 282) ; Yebdri (2007) ; Yebdri et al. (2007)). Ceci est
particulièrement important pour l’Algérie dont les ressources en eau sont limitées et
risquent encore de l’être davantage durant les prochaines décennies.

Répondre à ce premier objectif nécessite toutefois d’aborder plusieurs thématiques

importantes:

― La prévision des principales variables du système climatique (températures et

précipitations) sur un horizon de long terme,

― L’étude de l’évolution des besoins en eau des différents secteurs que ce soit les
ménages, l’agriculture ou les industries,

― La modélisation du processus pluie-débit afin de suivre l’intensité de l’exploitation

des ressources d’eau souterraines et leur renouvellement.

Cependant, une gestion intégrée des ressources en eaux est un processus complexe à
cause des interconnexions entre les dynamiques physiques qui contraignent l’hydrosystème
(climat, topographie, nature des sols, hydrologie des eaux de surface et souterraines,…) et
les dynamiques socio-économiques qui déterminent tant les priorités dans la satisfaction des
demandes des différents utilisateurs que la nature des sources d’approvisionnement.
Comme le relèvent Yates et al. (2005), cette complexité dans la gestion des ressources en
eau a souvent conduit les auteurs, à aborder séparément (i) d’un côté la gestion de la
demande en eau des différents sites de demande1 et, (ii) de l’autre côté, l’étude des
processus hydrologiques dans les bassins versants qui déterminent en grande partie le
1
Cf. notamment Westcott (2004) ou Khatri et Vairavamoorthy (2009).

2
volume des ressources en eau mobilisables. Le deuxième objectif de ce travail est alors, en
suivant Yates et al. (2005), de contribuer à traiter ces deux questions dans un cadre formel
unifié permettant ainsi de prendre en compte les interactions entre les différents niveaux de
l’hydrosystème.

La région d’étude et la pertinence de son choix

Notre étude porte sur la région d'Oran, la deuxième province d'Algérie et une grande
métropole méditerranéenne. Cette région est fortement impliquée dans notre
problématique pour de nombreuses raisons. Tout d'abord, l'expansion de sa population, ses
défis de développement dans l’agriculture et l’industrie et la faible densité de son réseau
hydrographique entraînent un écart croissant entre l'évolution rapide de la demande d'eau
et le faible potentiel de cette région pour la mobilisation des ressources en eaux
conventionnelles. Deuxièmement, le système hydrologique actuel dans la région se
caractérise par une mobilisation sous-optimale des ressources en eau en raison du
découplage de l'irrigation du reste des autres secteurs. Enfin, le changement climatique
exercera une pression supplémentaire sur la demande d'eau et la disponibilité de l'eau dans
cette région et va probablement exacerber le stress sur le système hydrologique (Bouklia-
Hassane et al. ; 2016).

Cependant, malgré cette vulnérabilité de la région d’Oran, peu d'études ont été
consacrées à la capacité de cette région à assurer la satisfaction des besoins en eau des
différents utilisateurs. Il est cependant indispensable de faire référence au moins à deux
études importantes qui ont abordé la problématique de la gestion intégrée des ressources
en eau dans la région Ouest de l’Algérie que sont les contributions de Abed et al. (2011) et
de Hamlat et al. (2012).

La méthodologie adoptée

La méthodologie utilisée dans ce travail repose sur la modélisation des processus

hydrologiques et la simulation des changements de structure des systèmes hydrologiques.
Cette modélisation est utilisée notamment (i) pour la projection des besoins en eau des
différents secteurs, (ii) pour la prévision des variables climatiques et (iii) pour la modélisation
des processus pluie-débit.

3
 Par ailleurs, nous avons également eu recours aux méthodes statistiques qui ont été
utilisées pour certaines projections climatiques ou pour la réduction d’échelle des modèles
de circulation globale.

Dans ce cadre, nous avons utilisé plusieurs logiciels (i) le modèle WEAP (Water
Evaluation and Planing System) un outil essentiel de résolution des problèmes de
planification des ressources et d’évaluation des besoins en eau, (ii) le logiciel SDSM
(Statistical DownScaling Model) afin de réduire à l’échelle de la région d’Oran les résultats
des modèles de circulation globale, (iii) ainsi que des logiciels de traitement des données
pour la prévision des variables climatiques par des méthodes statistiques.

Le plan de la thèse

Cette thèse est structurée autour de quatre chapitres.

Le premier chapitre présente la région d’étude, la région d’Oran, dans ses différentes
dimensions notamment hydrologiques et climatiques et décrit les ressources hydrauliques
de la wilaya d’Oran tant conventionnelles que non conventionnelles ainsi que les
infrastructures dont la région est dotée.

Le deuxième chapitre est consacré à l’étude de l’évolution du système hydrologique

de la région d’Oran et à sa capacité à satisfaire les besoins des différents secteurs ainsi que
la durabilité des prélèvements d’eau souterraine dans cette région. Il simule, à l’horizon de
2050, du côté de la demande, différents scénarios impliquant une réduction du rythme
d’accroissement de la demande en eau (plus grande efficience des liaisons de transmission,
plus grande efficience du système d’irrigation, choix technologique industriels économisant
la consommation d’eau, etc.) et du côté des ressources des scénarios de développement de
certaines infrastructures comme les SDEM et les retenues collinaires et des STEP alimentant
le secteur industriel. On montre que si les différents secteurs seront mieux approvisionnés,
d’une part la nécessité de transferts d’eau externes à destination de la région d’Oran
réapparaît à moyen terme et, d’autre part, que ces scénarios sont loin d’autre part de
constituer à eux seuls une solution à la question de l’irrigation dans la région d’Oran. Notons
que dans ce chapitre les simulations sont réalisées dans un environnement climatique
stationnaire.

4
 Dans le troisième chapitre qui est au cœur de ce travail, on relâche l'hypothèse de
variables climatiques stationnaires pour étudier les possibilités de changement climatique
dans l’hydrosystème. L’objectif de ce chapitre est la réalisation de projections climatiques
afin de prévoir l’évolution des températures et des précipitations dans la région d’Oran à
l’horizon 2050. Pour cela, on a eu recours à deux méthodes de projections :

― la première méthode de projection – approche statistique –exploite simplement les

propriétés statistiques des séries chronologiques des températures et des
précipitations pour prévoir leur évolution,

― la deuxième méthode de projection, approche physique, est basée sur la réduction

des modèles de circulation globale à l’échelle de la région d’Oran (downscaling
statistique).

On simulera dans ce cadre deux scénarios d’émission de gaz à effet de serre et on

montrera que leurs conséquences seront une diminution des précipitations et une
augmentation des températures dans la région d’Oran.

Enfin, dans un quatrième et dernier chapitre, on étudie dans une première étape
l’impact du changement climatique, mis en évidence dans le chapitre précédent, sur le
déficit en ressources hydrologique de la région d’Oran. On montre que le changement
climatique accroit la pression sur la disponibilité des ressources en eau dans la région. Cet
impact négatif passe par deux canaux : du côté de la demande, les changements de
température affectent l'évapotranspiration potentielle tandis que, du côté de l'offre, des
changements de précipitation affectent à la baisse l'approvisionnement en eau des nappes
souterraines ainsi que le ruissellement de surface.

On montre dans une deuxième étape que c’est seulement par une plus grande
intégration des secteurs de l’AEP et de l’agriculture, actuellement découplés, qu’on peut
envisager une solution à long terme à l’approvisionnement en eau et à la question de
l’irrigation dans la région d’Oran.

5
CHAPITRE 1. PRESENTATION DE
LA WILAYA D’ORAN

6
 1.1 LES CARACTERISTIQUES GENERALES DE LA WILAYA
1.1.1 LA LOCALISATION GEOGRAPHIQUE

Oran est la deuxième ville d’Algérie et une des plus importantes métropoles du
Maghreb. C'est une ville portuaire de la Méditerranée, située au Nord-Ouest du pays, à
432 km de la capitale Alger et le chef-lieu de la Wilaya du même nom, en bordure du golfe
d'Oran (figure 1).

La wilaya d’Oran s’étend sur une superficie de 2144 km2. En général, le relief oranais
est composé de deux types de formation géomorphologique : les plaines littorales (Bousfer,
Andalouses) et sublittoral (Boutlelis, Misserghin, Es-Senia, Hassi-Mefsoukh) et les massifs
côtiers. Ces derniers forment une chaine montagneuse discontinue qui s’étend du Sud
Ouest au Nord Est. Ils se dressent en véritable barrière naturelle assurant une protection
contre la violence des vents marins du Nord-Est. Les plaines occupent enivrons 70% de la
superficie totale de la wilaya : ce sont des terres fertiles qui communiquent avec la cote des
baies d’Oran et d’Arzew.

Figure 1 : Présentation de la région d’étude (Wilaya d’Oran)

1.1.1.1 Le découpage administratif

La wilaya d'Oran est divisée en neufs Daïras sur lesquelles se répartissent vingt-six
communes. Elle fait partie de l’Agence de Bassin de la Région Oranie-Chott Chergui. Le
découpage administratif est le suivant (SOGREAH, 2009):

― Oran : commune d'Oran ;

― Aïn-el-Turck : communes d'Aïn-el-Turck, Mers-el-Kébir, Bousfer, El Ançor ;

7
 ― Arzew : communes d'Arzew, Sidi Benyebka ;

― Bethioua : communes de Bethioua, Ain el Bia, Mers El Hadjaj ;

― Es Sénia : communes d'Es Senia, El Kerma, Sidi Chami ;

― Bir El Djir : communes de Bir El Djir, Hassi Bounif, Hassi Ben Okba ;

― Boutlélis : communes de Boutlélis, Misseghine, Ain El Kerma ;

― Oued Tlélat : communes d'Oued Tlétat, Tafraoui, El Braya, Boufatis ;

― Gdyel : communes de Gdyel, Ben Fréha, Hassi Mefsoukh

SIDI BEN YABKA

ARZEW

M ARSAT EL HADJADJ
GDYEL AIN BIYA
HASSI M EFSOUKH
AIN EL TURK BIR EL DJIR
HASSI BEN OKBA BETHIOUA
M ERS EL KEBIR BEN FREHA
BOUSFER HASSI BOUNIF
EL ANCOR ORAN
SIDI CHAM I
AIN KERM A ES SENIA BOUFATIS

EL BRAYA
BOUTLELIS EL KARM A
OUED TLELAT
M ISSERGHIN

TAFRAOUI

Figure 2 : Découpage administratif de la wilaya d’ORAN

1.1.1.2 La démographie

Le dernier recensement effectué en avril 2008 a fait ressortir que la taille de la

population de la wilaya d'Oran est de 1.480.251 habitants avec un parc de logements de plus
de 308.620 unités. Les premières estimations font état d'un taux de croissance annuelle
moyen de la population d'environ 1.9 % par rapport au dernier recensement de 1998.
Sachant que la superficie du territoire de la wilaya est de 2144 km2, la densité de la
population est ainsi de l’ordre de 717 hab. /km2.

8
 1.1.2 CARACTERISTIQUES HYDROLOGIQUES DE LA WILAYA
D’ORAN

1.1.2.1 Les sous bassins versants de la wilaya

La Wilaya d’Oran est entourée des plaines de Brédéah et de la M’Léta. Toute cette
zone est située en contrebas des Monts du Tessala.

Hormis Mersat-El-Hadjaj qui appartient à la portion côtière du marais de la Macta, l’étendue

de la Wilaya d’Oran présente trois sous bassins versants

― le sous bassin versant côtier d'Ain Turk (SBV 0403) situé à l’ouest et sur le versant
nord du Djebel du Murdjadjo,

― le sous bassin versant de la Sebkha d'Oran (SBV 0404) qui est un bassin endoréique
qui a la particularité d’avoir une ressource en eau superficielle riche en sel,

― le sous-bassin versant des salines d’Arzew (Code 0405) situé au Nord-est de la

Wilaya.

Comme le montre la carte ci-dessous des sous-bassins versants (figure 3), ces trois sous
bassins constituent le SBV des côtiers oranais (Code 04). On voit également qu’une grande
partie de la Wilaya appartient au bassin endoréique de la Sebkha d’Oran.

1.1.2.1 Les zones humides

La Wilaya d’Oran présente plusieurs zones humides dont la plus importante est la
grande sebkha d’Oran qui s’étend sous une forme allongée du Nord – Est au Sud – Ouest et
qui, avec une superficie de 296 Km2, occupe le 1/6 du territoire de la wilaya d’Oran. Outre la
Sebkha, les autres zones humides importantes sont les Salines d’Arzew et le lac Telamine. Le
tableau ci-dessous (Tableau 1) présente la localisation et les caractéristiques de l’ensemble
de ces zones : (Direction Générale des Forêts, 2007).

9
Figure 3 : Localisation des bassins et sous bassins versants de la Wilaya d’Oran (SOGREAH 2009)

10
 Tableau 1: Caractéristiques des zones humides de la Wilaya

Superficie
Code Nom Zones Superficie du
Wilaya Bassin Versant Qualité de l’eau
S/Bassin Humides lac (km2) 2
(km )
Ain
0404 192,4 Forte Salinité
Témouchent Sebkha
0404 Oran 103,6 Forte Salinité
S/Total - Sebkha 296 1 878 Forte Salinité
Daiat Oum El
0404 Oran 3 Saumâtre/polluée
Rhelaz
0404 Oran Daiat M’Hamed 0,375 Eaux polluée
0405 Oran Lac Telamine 11 Salée/polluée

0404 Oran Daiat Morseli 1,5 Eaux polluée

0405 Oran Saline d'Arzew 29 Forte Salinité

TOTAL 06 341 -

1.1.2.2 Le réseau hydrographique

Les principaux oueds de la Wilaya sont Oued Tlelat, alimentant la sebkha d’Oran,
Oued Beggoug et Oued Guessiba. L’Oued Beggoug appartenant au sous-bassin versant cotier
d’Ain turck (Code 0403) situé sur le versant nord du Djebel du Murdjajo comporte une
retenue collinaire. L’Oued Guessiba qui appartient au sous-bassin versant des salines
d’Arzew (Code 0405) situé au nord-est de la Wilaya contient la deuxième retenue collinaire
de la Wilaya.

Il faut signaler que les enquêtes communales ont montré qu’aucun pompage sur
oued ou à partir d’autres points d’eau naturels n’est à relever. Cela s’explique par le fait que
le réseau hydrographique de la Wilaya est très peu développé et que les points d’eau
naturels sont, soit saumâtres (Sebkha d’Oran et Saline d’Arzew), soit très pollués (Lac de
Telamine).

11
 1.1.3 APERÇU GEOLOGIQUE DES SOUS BASSINS VERSANTS

Plusieurs unités géologiques sont à distinguer. Leurs caractéristiques premières sont

résumées ci-dessous :

1.1.3.1 La plaine de la M’leta

A-1/ Sous bassin: la plaine de M’léta appartient au sous bassin versant de la Sebkha d’Oran
(0404) .

A-2/ Limites et extension : la plaine de M’léta est limitée au Nord par la Sebkha d’Oran, au
Sud par les monts du Tessala, à l’Est par la plaine de Habra-Sig et par la région de Hammam
Bouhadjar-Ain Larbaa à l’Ouest.

A-3/ Aperçu géologique : la plaine de la M’léta est une plate-forme dépressionnaire orientée
Est-Ouest, constituée de dépôts terrigènes provenant de l’érosion des montagnes bordières
du Tessala et des dépôts éoliennes. Elle appartient au contexte structural du grand sillon
occupé par la grande Sebkha d’Oran prolongement du géosynclinal du Chéliff où se sont
accumulés des sédiments d’abord au Néogène puis au Pléistocène et à l’Holocène,
atteignant jusqu’à 3000 mètres d’épaisseur par endroits (ANRH, 2009).

Les reliefs bordant le sud de la plaine sont formés de terrains sédimentaires du Miocène,
émergés et très tectonisé, adossés contre l’Eocène l’Oligocène et le crétacé.

1.1.3.2 La forêt de M’sila

B-1/ Sous bassin: La foret de M’sila appartient au sous bassin de la Sebkha d’Oran (0404) et
côtiers les Andalouses (0403)

B-2/ Limites et extension : cette unité est située dans la zone montagneuse au Nord de la
Sebkha d’Oran. Elle est située au sud de la plaine côtière Oranaise et par sa bordure Sud-Est,
elle s’appuie sur l’unité hydrogéologique du Flanc Sud du Murdjadjo.

B-3/ Aperçu géologique : la structure géologique de cette unité est caractérisée par deux
termes géologiques : grès du Pliocène supérieur (Astien/plaisancien supérieur) au niveau de
la partie Sud-ouest de l’unité tandis que sa partie Nord-est est caractérisée par des schistes

12
plus ou moins calcaires et quartzites et calcschistes à faunes du jurassique sup- Crétacé
inferieur (ANRH, 2009).

1.1.3.3 Le flanc sud du Murdjadjo

C-1/ Sous bassin: le flanc sud du Murdjadjo appartient au sous bassin de la Sebkha d’Oran
(0404).

C-2/ Limites et extension : cette unité géologique comprend la bordure Nord de la Sebkha
d’Oran sur le territoire de la plaine de Brédéah et la partie sud du Djebel Murdjadjo. Elle est
limitée au sud par Sebkha d’Oran, au Nord-Ouest par l’unité Foret de M’Sila, et à l’Est par le
plateau d’Oran.

C-3/ Aperçu géologique : la structure géologique de cette unité est caractérisée par deux
unités importantes à savoir les dépôts alluviaux dans la zone de la Sebkha dans la partie Sud
et les calcaires du Miocène supérieur occupant la plus grande partie de la moitié Nord de
l’unité. Son extrémité Nord est composée de schistes plus ou moins calcaires, quartzites et
calcschistes à faunes du jurassique sup-Crétacé inferieur (ANRH, 2009).

1.1.3.4 La plaine côtière oranaise

D-1/ Sous bassin : Elle appartient au sous bassin du côtiers les Andalouses (0403).

D-2/ Limites et extension : la plaine est limitée au Nord par la mer Méditerranée, au Sud par
le Massif du Murdjadjo, à l’Ouest par les vallonnements de Sidi Hamadi et à l’Est par le
Djebel Santon.

D-3/ Aperçu géologique : la plaine est constituée par les formations dunaires consolidées,
quelques lumachelles, poudingues et grès Calabrien, et sables, graviers et argiles
quartenaires (ANRH, 2009).

1.1.3.5 Le plateau d’Oran

E-1/ Sous bassin: le plateau d’Oran appartient au sous bassin de la Sebkha d’Oran (0404) et
de la Sebkha d’Arzew (0405)

E-2/ Limites et extension : la plaine est limitée au Nord par la mer méditerranée, au Sud par
la Sebkha d’Oran, à l’Ouest Flanc Sud du Murdjadjo et le Plateau des Hassis à l’Est.

13
E-3/ Aperçu géologique : le plateau est constitué par les alluvions actuelles et récents,
sables, graviers et argiles, et grès Calabrien en dessous (ANRH, 2009).

1.1.3.6 Les monts d’Arzew

F-1/ Sous bassin: Ils appartiennent au sous bassin Sebkha d’Arzew (0405)

F-2/ Limites et extension : les Monts sont limités au Nord par la mer Méditerranée et par le
Plateau des Hassis au sud.

F-3/ Aperçu géologique : Cette unité est dans sa grande partie composée du complexe de
Schistes plus ou moins calcaires et quartzites et calcschistes à faunes du jurassique supérieur
Crétacé inf. Dans la partie Nord de l’unité ces formations du complexe ont été recouvertes
par les dépôts quartenaires alluviaux (ANRH, 2009).

1.1.3.7 Le plateau des Hassis

G-1/ Sous bassin versant : Sebkha d’Arzew (0405)

G-2/ Limites et extension : le plateau des Hassis est limité au Nord par la Mer Méditerranée
et Djebel Orousse, au Sud par la plaine M’léta, à l’Est par la plaine de Habra et à l’Ouest par
le plateau d’Oran

G-3/ Aperçu géologique : cette unité est formée par une croûte calcaire et des alluvions
surmontant les grès du Calabrien. Le Miocène supérieur y étant plutôt forme de marnes-
alternées parfois de bancs de gypse (ANRH, 2009).

1.1.4 CARACTERISTIQUES CLIMATIQUES

Les caractéristiques climatiques, notamment les températures et les précipitations,

sont importantes pour notre étude et méritent qu’on y accorde une attention particulière.

1.1.4.1 Les températures

Dans la classification de Köppen, la Wilaya d’Oran est une région à climat

méditerranéen chaud. C’est un climat tempéré chaud avec un été sec (méditerranéen). La
température moyenne annuelle, mesurée par la station climatique d’Oran Es-Sénia, sur la
période 2005-2008 est de 18°C. La figure 4 ci-dessous présente les variations de
températures mensuelles au cours des années 2005-2008.

14
 30
T
e 25
m
p
é 20
r
a 15
t
u
r 10
e
5

Figure 4: variations de températures mensuelles : 2005-2008

Au vu de ces données, il ne semble pas qu’il y a une tendance à un refroidissement

ou à un réchauffement du climat de la région, en tout cas au cours des cinq dernières
années.

Le régime climatique se caractérise aussi par des vents qui n’apportent généralement que
peu d’humidité. Lors de leur passage sur les reliefs marocains et espagnols, ces vents
perdent une grande partie de leur humidité.

1.1.4.2 La pluviométrie

Afin de voir de près l’évolution de la pluviométrie au niveau de la Wilaya d’Oran, on a

reproduit dans la figure 5 les précipitations mensuelles sur une longue période allant de
1900 à 2010 (Institut Hydro. Météorologie Oran). Cette figure nous permet de détecter les
différentes périodes de la tendance à la sécheresse.

On constate que durant la période s’étalant du milieu des années 70 au début des
années 2000, la moyenne des précipitations annuelles (courbe en rouge) est plus faible que
la moyenne de la période totale 1900-2010 (la courbe en rouge est constamment au-dessous
de la courbe en vert). Cela dénote un changement climatique au cours des dernières 25
années bien que sur la période récente, une légère augmentation de la pluviométrie semble
reprendre.

15
 Pour préciser davantage ces changements dans la pluviométrie, on a défini cinq régimes
climatiques de la façon suivante :

― Régime très sec : année durant laquelle la pluviométrie moyenne annuelle observée
a été inférieure à 65% de la pluviométrie moyenne au cours du siècle 1900-2010,

― Régime sec : année durant laquelle la pluviométrie moyenne a été comprise entre
65% et 80% de la pluviométrie moyenne au cours de la période 1900-2010,

― Régime moyen : année durant laquelle la pluviométrie moyenne a été comprise entre
80% et 130% de la pluviométrie moyenne au cours de la période 1900-2010,

― Régime humide : année durant laquelle la pluviométrie moyenne a été comprise

entre 130% et 160% de la pluviométrie moyenne au cours de la période 1900-2010,

― Régime très humide : année durant laquelle la pluviométrie moyenne est supérieure
à 160% de la pluviométrie moyenne au cours de la période 1900-2010.

Sachant que la précipitation moyenne annuelle entre 1900 et 2010 a été de 371 mm, ces
régimes pluviométriques peuvent être représentés dans l’axe suivant :

65% 80% 130% 160%

Très sec sec moyen humide très humide

241.1 mm 296,8 mm 482,3 mm 593,6 mm

On a comparé alors le nombre d’années pour chaque régime au cours de la période 1900-
2010 avec la période 1975-2005 avec les résultats suivants :
Tableau 2: Régimes pluviométriques de la Wilaya d’Oran 1900-2010

Très Très Total

Sec Moyen Humide
sec Humide années

nombre d'années 13 15 67 10 6 111

1900-2010
% 12% 14% 60% 9% 5% 100%

nombre d'années 5 7 18 1 0 31
1975-2005
% 16% 23% 58% 3% 0% 100%

16
200 900,0
Précipitations mensuelles en mm (axe de gauche)
180 Moyenne annuelle (axe de droite) 800,0

Moyenne sur la période (axe de droite)

160
700,0

140
600,0

120
500,0
100
400,0
80

300,0
60

200,0
40

20 100,0

0 0,0
J-1900 J-1912 J-1924 J-1936 J-1948 J-1960 J-1972 J-1984 J-1996 J-2008

Figure 5: Précipitations sur la période : 1900 – 2010

17
 On constate que le pourcentage d’années ‘Très sec’ et ‘Sec’ est supérieur, en
pourcentage, au cours de la période 1975-2005 comparé à la période de référence 1900-
2010. Inversement, les périodes ‘humides’ et ‘très humide’ ont en pourcentage diminué au
cours de la période 1975-2005 montrant par cela une tendance à une baisse de la
pluviométrie sur la période récente jusqu’en 2005.

1.2 LES RESSOURCES EN EAU DE LA WILAYA D’ORAN

Les ressources mobilisées actuellement dans la Wilaya d’Oran ont différentes origines
(eau de surfaces-eaux souterraines, ressources locales-ressources externes) prélevées en
plusieurs points. Elles sont destinées à l’alimentation en eau potable des ménages et des
collectivités, à l’industrie et à l’irrigation. Cette mobilisation se fait par le biais de plusieurs
infrastructures dont certaines sont situées à l’extérieur de la Wilaya pour mobiliser les eaux
de surface (transferts externes). Des forages concentrés dans certaines communes en plus
des sources et des puits permettent le prélèvement des eaux souterraines. Compte tenu de
la pression de la demande d’eau qui accompagne le développement de la Wilaya, cette
dernière a également recours au dessalement de l’eau de mer ainsi qu’à la réutilisation des
eaux usées mais dans des proportions qui restent encore limitées.

Dans ce chapitre de présentation des ressources hydriques de la Wilaya, on examinera

d’abord les ressources conventionnelles de la Wilaya (principalement les eaux de barrages
situés à l’extérieur de la Wilaya) puis les ressources non conventionnelles et notamment les
projets en cours de dessalement d’eau de mer et de traitement des eaux de rejet. On
présentera enfin la situation des ressources souterraines à travers une description générale
des grandes unités hydrogéologiques de la Wilaya.

1.2.1 LES RESSOURCES CONVENTIONNELLES

La Wilaya d’Oran se caractérise par :

― un réseau hydrographique très peu développé sachant qu’une grande partie de la

Wilaya appartient au bassin endoréique de la Sebkha d’Oran qui possède une
ressource en eau riche mais salée,

― un déficit hydrique et une irrégularité des eaux superficielles rendant difficile la

fonctionnalité des retenues collinaires existantes. A partir des années quatre vingt,

18
 l’Ouest du pays a connu, comme on l’a décrit dans le chapitre précèdent,
précèdent, un cycle de
sécheresse chronique qui a affecté le niveau des réserves en eau de manière durable.

Ce déficit en eau de surface est peu favorable au développement d’infrastructures

hydrauliques de mobilisation de l’eau de ruissellement de grande envergure.
envergure. Ceci explique
que la Wilaya d’Oran est jusqu’à présent alimentée en eau à partir principalement de
ressources de surface externes et très éloignées de la Wilaya.

L’alimentation en eau de sites aussi éloignés se réalise alors à travers à la fois des
adductions de l’Ouest (Beni Bahdel et la Tafna) et d’est (Fergoug et Gargar) qui acheminent
l’eau dans des ouvrages terminaux situés à l’Est (site terminal du réservoir de Bir
Bir-El-Djir et au
nouveau réservoir de Canastel) et à l’Ouest de la ville (site terminal du réservoir de la Tafna
et de BC8).

1.2.1.1 Les transferts Ouest

On distingue l’adduction de Beni-Bahdel

Beni Bahdel qui était destinée à l’origine en 1952 à
l’alimentation en eau potable des villes d’Oran et Mers-el-Kébir
Mers Kébir et celle de la Tafna mise en
service en 1992.

Adduction TAFNA

Adduction BENI
BAHDEL

Figure 6:
6 les Transfert Ouest de la wilaya d’Oran

19
 1.2.1.1.1 Adduction de Beni-Bahdel

De nombreuses localités sont desservies à partir de ce transfert. Les besoins

croissants en eau dans les wilayas de Tlemcen, Ain Temouchent et Oran, qui connaissent une
forte urbanisation et un développement industriel notable, ont multiplié le nombre de
centres venus se greffer à l’adduction du transfert de Béni Bahdel-Oran.

L’adduction de Béni Bahdel achemine une partie des eaux du barrage de Beni Bahdel
jusqu’au brise charge n°8 sur le site dit réservoir de Tafna/ BC8 a Oran. Elle comprend :

― la station de traitement de Bouhallou de capacité totale de 120.000 m3/j ;

― Une conduite gravitaire (diamètre 1100 mm, longueur 156 km, en béton) comportant
7 brise-charge en ligne (BC1 a BC7) et un brise-charge terminal BC8 situé à Ain Beida,
à l’Ouest de la ville d’Oran.

1.2.1.1.2 Adduction de la TAFNA

L’adduction Tafna, interconnectée au système Béni Bahdel, assure un service en

route pour la desserte des agglomérations de la wilaya d’Ain Temouchent. Elle est composée
d’une station de prétraitement et de pompage Tafna d’une capacité de 260 000 m3/j, une
conduite de Ø 1400 de 21 ,5 Km, un bassin inter saisonnier de 13 hm3, une station de
traitement Dzioua d’une capacité de 250 000 m 3/j et une adduction de Ø 1600 de 70 Km
reliant la station de Dzioua aux réservoirs 2X 50 000 situés à l’entrée de la ville d’Oran.

1.2.1.2 Les transferts Est

Ces transferts comprennent les ressources provenant de l’adduction de Gargar et de

celle de Fergoug. La figure 7 schématise ces transferts.

1.2.1.2.1 Le transfert Gargar-Oran

Cette adduction a une capacité de 110.000 m3/j. Elle comprend principalement les
ouvrages suivants :

20
 Adduction
GARGAR

Adduction
FERGOUG

Figure 7: Transfert Est

― Deux stations de traitement (station de Chellif) dotées de réservoir

réservoirs d’eau filtrée
d’une capacité respective de 1.000 m3 et 15.000m3 ;

― L’adduction de l’eau brute est d’une longueur de 81km. Celle de l’eau traitée est
composée de plusieurs tronçons des conduites de différents
différents diamètres et longueurs ;

― Plusieurss stations de pompage (06) et un surpresseur placé à 2,5 km du barrage et

qui a été mis en service pour un débit 148.000 m3/j.

1.2.1.2.2 Adduction
n du Fergoug

Ayant une capacité initiale égale à 17 hm3, le barrage Fergoug, l’un des plus anciens
au niveau national, est actuellement envasé. C’est à partir de ce barrage, réhabilité durant
les années1970, que le transfert Fergoug-Oran,
Fergoug est réalisé en 1972.
72. Il permet de desservir
plusieurs agglomérations situées essentiellement dans les wilayas de Mascara et Oran.

21
 1.2.1.3 Transfert du MAO

Le système de transfert M.A.O garantira un volume de 115 Hm3 /an. L’alimentation

en eau potable des villes situées dans le couloir "Mostaganem- Arzew- Oran" sera répartie
comme suit : 45 Mm3/an pour la wilaya de Mostganem, 110 Hm3 /an pour la wilaya d'Oran.

Le projet comprend quatre parties:

― le Barrage de dérivation du Cheliff et son circuit hydraulique ;

― le Barrage de stockage de Kerrada et son circuit hydraulique ;

― l’Adduction du couloir Mostaganem- Arzew- Oran ;

― la Station de traitement.

1.2.2 LES RESSOURCES NON CONVENTIONNELLES

La sécheresse qu’a connu la Wilaya d’Oran a affecté le niveau des ressources

mobilisables de manière importante. Les installations de transfert, de stockage et de
distribution ont été exploitées à moins de la moitié de leur capacité en raison du déficit
enregistré dans les bilans hydriques. Les programmes d’urgences qui ont été mis en œuvre
ont porté, en plus des transferts externes, sur la mobilisation de nouvelles ressources locales
et notamment le dessalement de l’eau de mer et l’épuration des eaux usées.

1.2.2.1 Les infrastructures de dessalement dans la wilaya d’Oran

La wilaya d’Oran possède quelques unités de dessalement sur son territoire (la SDEM
Kahrama d’Arzew, des Dunes et celle de Bousfer). D’autres SDEM situées en dehors du
territoire de la Wilaya alimente cette dernière (Chatt el Hilal dans la Wilaya de Témouchent
et celle de la Macta dans la Wilaya de Mostaganem). Une unité de déminéralisation est
également en fonction à Brédéah.

1.2.2.1.1 Station de dessalement d’eau de mer « KAHRAMA » à Arzew

Le transfert à partir de Gargar a été renforcé, à partir d’août 2005 par les eaux de la
station de dessalement Kahrama d’une capacité de 90.000 m3/j dont 20.000 sont réservés
aux besoins de la zone industrielle d’Arzew. Les eaux destinées à la ville d’Oran sont
acheminées vers le nouveau réservoir de Canastel par l’intermédiaire d’une station de
pompage de 100.000 m 3/j et une adduction de 48’’ (soit 121,92 cm) de 33,18 kilomètres.
22
Dans cette station, le système MSF (Multi-Stage-Flash) est utilisé pour la production de l’eau
dessalée.

1.2.2.1.2 La station de déminéralisation ‘Brédéah’

La station de déminéralisation Brédéah, se trouve à 25km de la ville d’Oran. Elle a

été mise en service en 2005 avec une capacité de production de 25 000 m3/j. Toutefois, en
raison de la baisse du niveau de la nappe, le débit fourni actuellement est de 18 000 m3/j.
Les eaux produites sont injectées au réservoir 2x50 000 m3 par une conduite de Ø 700 mm.

Soulignons que le procédé de désalinisation utilisé dans cette station est de l’osmose
inverse.

1.2.2.1.3 Les stations de dessalement d’eau de mer « Les Dunes et Bousfer »

Deux stations de dessalement les Dunes et Bousfer, mises en service en 2005, sont
destinées exclusivement au renforcement de l’AEP de la corniche oranaise par un volume
journalier de 6 000 m3/j (Capacité maximale 10 500 m3/j).

La station de ‘Bousfer’ utilise le procédé de l’osmose inverse. Dotée d’un taux de

conversion de 45%, elle traite 12.480 m3 d’eau de mer par jour pour fournir
quotidiennement 5.500 m3 d’eau potable à la wilaya d’Oran.

La station des Dunes est de type monobloc également et a une capacité de 5.000
m3/j. Elle a été mise en service en novembre 2005 et utilise le même procédé d’osmose
inverse avec un taux de conversion de 38%.

1.2.2.1.4 La station de dessalement de ‘Chatt el Hilal’

L’usine de dessalement de Chatt El Hillal est implantée dans la wilaya de Temouchent

et produira, en régime de croisière, 200.000 m3/j .Elle est raccordée au réservoir de tête de
la station de traitement Dzioua. Elle contribuera au renforcement de l’AEP de la wilaya
d’Oran. Depuis sa mise en service en 2009, cette station de dessalement produit un volume
journalier de 100 000 m3/j.

23
 1.2.2.1.5 La station de dessalement de la Mactâa

Cette station est située à Mostaganem et est en cours de réalisation avec une
capacité de 500.000 m³/j. Elle sera destinée à la sécurisation de l’AEP de la Wilaya d’Oran
ainsi que les wilayas limitrophes (Mostaganem, Relizane et Mascara).

Un débit de 225 000 m³/j est prévu dans l’objectif de garantir une distribution d’AEP
dans la wilaya sans interruption.

Cette station de dessalement aura un rôle fondamental pour répondre aux besoins
en eau potable et constituera dès sa mise en service prévue pour la fin de l’année 2012, un
facteur essentiel de l’autosuffisance hydrique particulièrement de la wilaya d’Oran.

1.2.2.2 Les infrastructures d’épuration de la wilaya d’Oran

1.2.2.2.1 Station d’épuration du Groupement Urbain d’Oran d’El Karma

Située prés de la décharge publique d’El Kerma, cette station d'épuration prendra en
charge toutes les eaux usées du groupement urbain d'Oran qui comprend les communes
d'Oran, Es-Senia, Bir El-Djir, Sidi Chahmi et El-Kerma. Au total, près de 274.000 m³/j d'eaux
usées déversées seront traitées, ce qui confère à cette station le rang de la plus grande STEP
du pays. Les eaux usées récupérées par les différentes stations de pompage seront
réutilisées pour l’irrigation de la plaine de la Mleta, dans la région de Tafraoui.

1.2.2.2.2 Station d’épuration de Ain El Turck

La station d’épuration des eaux usées de la daïra côtière d’Aïn Turck (Oran) reliera
quatre zones balnéaires, à savoir Bousfer, Sidi Hammadi, Gueddara et les Andalouses. Cette
nouvelle STEP, première du genre à voir le jour dans la corniche Ouest d’Oran, couvrira les
besoins de 250.000 habitants, soit une capacité de traitement d’un volume de 30.000 m3
d’eaux usées/jour.

1.2.2.2.3 Station d’épuration de Béthioua (en cours de réalisation)

Les caractéristiques de cette station en cours de réalisation sont les suivantes :

- Wilaya : ORAN, Commune : Béthioua ;

- Zone géographique : Littoral ;
- Région hydrographique : l’Est de la wilaya ;
- Nom de la STEP : Station d’épuration de Béthioua ;

24
 - Les agglomérations raccordées à la STEP : Béthioua et Ain EL bia ;
- Etat de la STEP (travaux, étude, exploitation) : Etude 100% Achevée, choix de
l’entreprise de réalisation en cours ;
- Filière d’épuration : boues activées à moyenne charge ;
- Nature des eaux usées : Urbaine ;
- Capacité installée (m3/j) : 25 117 m 3/j a l’horizon 2030 ;
- Milieu récepteur des eaux usées épurées : le Rejet vers la mer ;
- Consistance des travaux : le projet consiste en 05 stations de
relevage (refoulement des eaux usées vers la station d’épuration de Béthioua) et
la réalisation de la station d’épuration.

1.2.3 RESSOURCES EN EAU SOUTERRAINE

1.2.3.1 Les unités hydrogéologiques de la wilaya

La Wilaya d’Oran comprend trois grandes unités hydrogéologiques (SOGREAH, 2009).

― La nappe de la plaine côtière d’Ain Turk (Code 31_4_1) est constituée d’aquifères
multicouche avec nappe libre avec un ou plusieurs aquifères profonds. Ceci lui
confère de grandes réserves.

― La nappe de la plaine de Brédéah (Code 31_4_2) s’étend à la partie orientale de la

Plaine de M’Léta (Tafraoui, Oued Tlétat). Cette nappe se situe en bordure de la
Sebkha d’Oran. A cause des nombreux pompages effectués sur cette bordure, des
infiltrations de sel en ont contaminé une partie. Le reste de la nappe n’est pas
touchée par le processus de salinisation.

― Le complexe karstique de Murdjadjo (Code 31_3_1) qui comprend le Djebel

Murdjadjo et son extension géologique plus à l’Est. Ce système d’aquifères à surface
lisse, plus ou moins compartimentés, a une capacité de régulation variée.

Une autre unité hydrogéologique existe mais est moins favorable : celle de la partie
Nord d’Arbal (Code 31_2_2), au Sud de la nappe des Plaines Brédéah et M’Léta.

Quelques zones ne possèdent pas d’aquifère, le Djebel Orousse (Code 31_6_1), la

zone côtière à l'Ouest d'Arzew (Code 31_6_3) et la troisième est entre la Plaine côtière d’Ain
Turk et le Djebel Murdjadjo (Code 31_6_2).

25
 Les eaux souterraines proches des trois zones la sebkha d’Oran (Code 31_8_1), le lac
de Telamine (Code 31_8_3) et les salines d’Arzew (Code 31_8_2) sont en liaison avec les lacs
salés ou pollués et sont inutilisables pour l’irrigation car de mauvaise qualité.

On a superposé dans la carte ci-dessous (figure 8) la localisation des unités

hydrogéologique de la Wilaya avec les trois sous bassins versants.

Suivant l’étude de SOGREAH (2009), la superficie de ces unités hydrogéologiques est

la suivante :

Tableau 3: Superficie des unités hydrogéologiques

Code de l'unité
31_3_1 31_4_1 31_4_2 31_2_2
hydrogéologique
Nom Nappe du Versant Nord du Nappe du
Murdjadjo Murdjadjo Quaternaire
Description Complexe Nappe de la Plaine Nappe de la Partie nord de
géographique kartisque de côtière d'Ain Turk Plaine de la Nappe
Murdjadjo Brédéah d'Arbal
Superficie de l'unité 88562 20363 36395 7044
(Ha)
Source : SOGREAH 2009

1.2.3.2 Les principaux modes de prélèvement sur aquifères

L’exploitation des ressources souterraines se fait principalement par le biais de puits

(94%) et accessoirement de forages (6%). On trouve par contre très peu de sources et celles-
ci sont principalement concentrées dans les Cotes littorales du Tlemçanais-Oranais,
principalement dans les communes de Ain Kerma et El Ançor.

Les puits représentent le principal mode de prélèvement sur aquifère et sont

principalement concentrés dans les communes de Misserghine (260 puits) et Boutlelis (173)
exploitant la nappe peu profonde de Brédéah. Les communes de Sidi Chami (205 puits),
Hassi Bounif (195), Boufatis (101), Gdyel (96) et Bir El Djir (95) recourent également à ce
mode de prélèvement en exploitant le champ de captage des Complexes Jurassiques des
Monts d’Arzew. La commune de Aïn-Kerma (113 puits), exploite quant à elle le champ de
captage du flanc Nord du Djebel Murdjadjo.

26
 Quant au forage, le tableau suivant (tableau 4) donne la répartition du prélèvement
sur aquifère par mode de prélèvement selon les données de l’Etude d’inventaire de la PMH
de 2008
Tableau 4: Mode de prélèvement sur aquifères

Nombre de Nombre de Nombre de Nombre de

Région agricole
communes forages puits sources
Piemonts du Murdjadjo sebkha d'oran 4 89 518 0

Plaines de Hassi Bounif -Gdyel 15 14 1 076 2

Cotes littorales du tlemcanais-oranais 5 9 291 14

Plaine de la M'leta 2 6 118 0

Total Wilaya 26 118 2 003 16

Source : SOGREAH 2009

La constatation est que les prélèvements sont en quasi-totalité concentrés dans les 2
communes de Messerghin (50) et de Boutlelis (35), dans la région des Piemonts du
Murdjadjo-Sebkha d’Oran. Ces prélèvements exploitent la nappe tertiaire profonde peu
minéralisée du flanc Sud du Djebel Murdjadjo.

27
Figure 8 : Localisation des Unités Hydrogéologiques de la Wilaya d’Oran (SOGREAH 2009)

28
CHAPITRE 2. PROSPECTIVE DE
L’EAU A L’HORIZON 2050 EN
L’ABSENCE DE CHANGEMENT
CLIMATIQUE

29
 INTRODUCTION

On étudie dans ce chapitre la demande en eau potable par les ménages et les
services collectifs ainsi que celle du secteur industriel d’une part et, d’autre part, les
demandes d’irrigation du secteur agricole pour voir dans quelle mesure ces besoins seront
satisfaits. Différents scénarios seront construits pour cela portant tant sur l’évolution de la
demande en eau que sur l’évolution des disponibilités en ressources. Une modélisation
simple permettra de simuler ces scénarios et de déterminer pour chacun d’eux le déficit en
eau de la Wilaya sur une longue période.

La particularité de la Wilaya d’Oran est effectivement d’être une région dont l’apport
externe d’eau est important. Les ressources requises pour satisfaire la demande d’eau de la
population et de l’industrie proviennent pour une partie importante des régions limitrophes
et la Wilaya d’Oran ne réalise pas une autosuffisance dans l’alimentation en eau de la région.
L’importance des transferts d’eau (apports externes) permet difficilement de parler
actuellement d’une politique de l’eau de la Wilaya. Pour cette raison, on s’intéressera
particulièrement à l’évolution des transferts externes pour voir si ceux-ci auront tendance à
s’accroitre ou au contraire à se réduire au cours du temps.

Une autre remarque importante est que le secteur de l’agriculture et le reste du système
de demande de la Wilaya (AEP ménages et collectivités, industries) sont approvisionnés par
des sources différentes. Les ressources pour le secteur agricole proviennent principalement
des nappes souterraines tandis-que l’alimentation des ménages, services collectifs et de
l’industrie fait appel aux transferts d’eau externes à la Wilaya, aux prélèvements
superficielles et au dessalement. Ainsi, ces deux grands secteurs peuvent être traités
séparément et il n’y a pas de priorité de sites de destination entre eux. Il n’y a pas non plus
de transmission entre les flux d’entrée ou de sorties de ces deux secteurs puisque les rejets
d’eau d’AEP ou de l’industrie ne sont pas retraités pour une réutilisation externe par le
secteur de l’agriculture. Pour cette raison, on traitera séparément la modélisation de l’AEP
de celle de l’irrigation agricole en nous interrogeant, pour ce qui concerne le secteur
agricole, particulièrement sur l’évolution des taux d’exploitation des nappes souterraines et
de leur renouvellement.

30
 2.1 LE MODELE DE DEMANDE EN EAU DANS LE SECTEUR
HORS AGRICULTURE

Dans le but de mettre en évidence les contraintes futures sur la satisfaction des besoins
en eau dans la région d’étude hors du secteur agricole, on construit un modèle de demande
en eau dont les paramètres seront calibrés de façon à reproduire exactement l’année de
base 2014. Dans une seconde étape, on développe un scenario de référence qui prolonge
simplement les tendances actuelles de l’hydrosystème. Enfin, on évalue les effets sur la
disponibilité des ressources de changement des paramètres du modèle incluant les besoins
unitaires des ménages et de l’industrie, l’efficience de la gestion des ressources hydriques
ainsi que la politique de l’eau à travers le développement de nouvelles infrastructures.

2.1.1 LES EQUATIONS DU MODELE ET SON CALIBRAGE

La demande en eau, hors du secteur de l’agriculture, se partage entre les besoins des
ménages, les besoins des services collectifs (par exemple les besoins d’eau destinée aux
hôpitaux et aux autres services publics ou l’arrosage des places publiques, l’alimentation des
bouches d’incendie, etc.) et ceux du secteur de l’industrie.

Les besoins totaux des ménages ‫ܤ‬௛௛ dépendent de la taille de la population ܰ , des
besoins unitaires ‫ݐ݅݊ݑܤ‬௛௛ et du taux de raccordement aux réseaux d’AEP. On fera
l’hypothèse lorsqu’on procédera aux simulations que les besoins unitaires en eau des
ménages sont reliés au taux d’occupation des logements (ܱܶ‫ )ܮ‬et au niveau de vie (ܸܰ)
comme le montre (Eq. 1).

Faute d’informations disponibles, on suppose que les besoins en eau du secteur public
‫ܤ‬௣௦ sont proportionnels à ceux des ménages ‫ܤ‬௛௛ (Eq. 2),

Le besoin total en eau du secteur industriel B୧୬ୢ dépend de la taille du secteur indutriel
Ind et des besoins unitaires en eau ‫ݐ݅݊ݑܤ‬௜௡ௗ de ce secteur (Eq. 3). Du fait de l’indisponibilité
des données sur l’activité régionale industrielle, la taille de ce secteur est approchée par la
superficie des zones industrielles ‫ ݀݊ܫ‬sur lesquelles il active.

La demande totale ‫ܦ‬௧௢௧ sera la somme de ces trois composantes (Eq 4)

31
 La somme des ressources en eau de la wilaya d’Oran et des transferts externes
(provenant d’autres wilayas) est ܺ௧௢௧. Aussi, la demande couverte sera le minimum entre
d’une part le volume total des ressources ajusté des pertes ܶ‫ݔ‬௘௙௙ dans les liaisons de
transmission et, d’autre part, la demande totale D௧௢௧ en AEP (Eq. 5).

‫ܤ‬௛௛ = ܰ ∗ ‫ݔݐ‬௥௔௖ ∗ ‫ݐ݅݊ݑܤ‬௛௛ (ܱܶ‫ܮ‬, ܸܰ) Équation 1

‫ܤ‬௣௦ = ߙ ∗ ‫ܤ‬௛௛ Équation 2

‫ܤ‬௜௡ௗ = ‫ݐ݅݊ݑܤ ∗ ݀݊ܫ‬௜௡ௗ Équation 3

‫ܦ‬௧௢௧ = ‫ܤ‬௛௛ + ‫ܤ‬௣௦ + ‫ܤ‬௜௡ௗ Équation 4

‫ܺ( ݊݅ ݉ = ݁ݐݎ݁ݒݑ݋ܿ݁݀݊ܽ ݉݁ܦ‬௧௢௧ ∗ ‫ݔݐ‬௘௙௙, ‫ܦ‬௧௢௧) Équation 5

ܺ௧௢௧= exogène

Avec:
‫ܤ‬௛௛ = ‫ ݉ݏ݁݀ ݑܽ݁ ݊݁ݏ݊݅݋ݏ݁ܤ‬é݊ܽ݃݁‫ݏ‬

‫ݐ݅݊ݑܤ‬௛௛ = ‫ ݉ݏ݁݀ ݑܽ݁ ݊݁݁ݎ݅ܽݐ݅݊ݑ ݊݅݋ݏ݁ܤ‬é݊ܽ݃݁‫ݏ‬

‫ܤ‬௣௦ = ‫ݏ݂݅ݐ݈݈ܿ݁݋ܿݏ݁ܿ݅ݒݎ݁ݏݏ݁݀ ݑܽ݁ ݊݁ݏ݊݅݋ݏ݁ܤ‬

‫ܤ‬௜௡ௗ = ‫݁݅ݎݐݏݑ݀݊݅'݈݁݀ݎݑ݁ݐܿ݁ݏ ݑ݀ ݑܽ݁ ݊݁ݏ݊݅݋ݏ݁ܤ‬

‫ݐ݅݊ݑܤ‬௜௡ௗ = ‫݁݅ݎݐݏݑ݀݊݅'݈݁݀ݎݑ݁ݐܿ݁ݏ ݑ݀ ݑܽ݁ ݊݁݁ݎ݅ܽݐ݅݊ݑ ݊݅݋ݏ݁ܤ‬

‫ݏ݈݈݁݁݅ݎݐݏݑ݀݊݅ݏ݁݊݋ݖݏ݂݁݀݁݅ܿ݅ݎ݁݌ݑܵ = ݀݊ܫ‬

‫ܦ‬௧௢௧ = ‫ݑܽ݁ ݈݊݁݁ܽݐ݋ݐ݁݀݊ܽ ݉݁ܦ‬

ܺ௧௢௧ = ܲ‫ ݑܽ݁'݈݀݁ܽݐ݋ݐ ݊݋݅ݐܿݑ݀݋ݎ‬y compris les transferts externes

ߙ = ܶܽ‫ݏ݂݅ݐ݈݈ܿ݁݋ܿݏ݁ܿ݅ݒݎ݁ݏݏ݁݀ ݊݋݅ݐܽ ݉ ݉݋ݏ݊݋ܿ݁݀ ݔݑ‬

‫ݔݐ‬௥௔௖ = ܶܽ‫ ݉ݏ݁݀ݐ݊݁ ݉݁݀ݎ݋ܿܿܽݎ݁݀ ݔݑ‬é݊ܽ݃݁‫ݏ‬

‫ݔݐ‬௘௙௙ = ܶܽ‫݀ ݔݑ‬ᇱ݂݂݁݅ܿ݅݁݊ܿ݁݀‫ݎ ݑ‬é‫ݑܽ݁ݏ‬

ܰ = ݈݈݈ܶܽ݅݁݀݁ܽ ‫݊݋݅ݐ݈ܽݑ݌݋݌‬

La proportion de la demande du secteur public ߙ a été fixée à 20%. Ce même

coefficient de proportionnalité est adopté par Treyer (2002).

Le taux d’efficience de la distribution d’AEP dans les réseaux ‫ݔݐ‬௘௙௙ a été fixé à 80%
suite à des interviews avec les cadres de la SEOR.

32
 Le taux de raccordement à l’AEP a été fixé à 82% suivant les données fournies par
l’Office National des Statistiques (ONS) dans le cadre du recensement de la population et de
l’habitat pour sa partie concernant les communes de la Wilaya d’Oran.

Les besoins unitaires des ménages et de l’industrie sont calibrés de façon à

reproduire la situation de l’année de base.

Suite au manque de données sur le secteur industriel, la consommation unitaire en

eau de l’industrie sera évaluée en m3/ha et sera fonction de la superficie des zones
industrielles et de la consommation unitaire d’eau à l’hectare.

La consommation unitaire de l’industrie est déterminée sur la base de la dotation en

eau destinée à l’industrie qui selon la Direction des ressources en eau de la Wilaya est de
18.250.000 m3/an (50.000 m3/j), du taux d’efficience de la distribution de 80% et de la
superficie des zones industrielles dans la Wilaya d’Oran qui est de 3248 ha :

஽௢௧௔௧௜௢௡ ௘௡ ௘௔௨ ௗ௨ ௦௘௖௧௘௨௥ ௗ௘ ௟ᇲ௜௡ௗ௨௦௧௥௜௘

‫ݐ݅݊ݑܤ‬௜௡ௗ = ‫ݔݐ‬௘௙௙ ∗ = 4495 m3/ha et par an.
௦௨௣௘௥௙௜௖௜௘ ௗ௘௦௭௢௡௘௦௜௡ௗ௨௦௧௥௜௘௟௟௘௦

Concernant les besoins unitaire en eau des ménages, de l’équation (1) et (2), on peut écrire :

‫ܤ‬௛௛ + ‫ܤ‬௣௦ = (1 + ߙ) ∗ ‫ܤ‬௛௛ = (1 + ߙ) ∗ ܰ ∗ ‫ݔݐ‬௥௔௖ ∗ ‫ݐ݅݊ݑܤ‬௛௛

On tire alors :

஻೓೓ ା஻೛ೞ
‫ݐ݅݊ݑܤ‬௛௛ = (ଵାఈ)∗(ே ∗௧௫ೝೌ೎)
Équation 6

Le volume B୦୦ + B୮ୱ est tiré du Bilan des Relevés Quotidiens (BRQ) de la production
d’eau dans la Wilaya d’Oran comme la dotation en ressources en eau de la wilaya diminuée
de celle du secteur industriel, soit un volume de 96.519.324 m3 par an.

Par ailleurs, à partir des données fournies par l’Office national des statistiques (ONS),
la taille de la population de la wilaya d’Oran peut être estimée à 1.657.000 habitants en
2015. Avec ces données ainsi que les valeurs des paramètres ߙ, ‫ݔݐ‬௥௔௖ fixés ci-dessus,
l’équation (6) nous permet de déduire que le besoin unitaire des ménages ‫ ࢎࢎݐ݅݊ݑܤ‬peut être
estimé à 52.35 m3 par an correspondant à 143.4 litres par jour et par personne raccordée au
réseau AEP.

33
Avec ces valeurs, le modèle reproduit le bilan d’AEP de la Wilaya d’Oran en 2014.

2.1.2 ETABLISSEMENT DU SCENARIO DE REFERENCE

Une fois le modèle calibré, nous procédons à la modélisation de scénarios afin

d’étudier l’impact de différentes variantes sur l’évolution de l’hydrosystème. On établit
d’abord un scenario de référence à partir du compte de base pour simuler l’évolution du
système sans aucun changement. Dans une seconde étape, on crée des scénarios de type
‘que se passe-t-il si ?’ pour modifier le scénario de référence et évaluer les effets des
changements dans la demande, la production ou le management des ressources en eau.

2.1.2.1 Le scenario de référence : les hypothèses

Le scénario de référence traduit simplement une projection des tendances courantes

sans changements majeurs sur la période 2014-2050. Dans ce scénario, on fait varier les
variables de niveau (la taille du secteur industriel et la taille de la population) en maintenant
tous les paramètres de structure constants.

Dans le schéma directeur des zones industrielles (Ministère de l’industrie, 2008), il est
prévu la création en 2020 de 30 nouvelles zones industrielles en plus des 52 zones
actuellement existantes dans le pays, ce qui donne un taux de croissance moyen de 4.7% par
an. Sur la base de cette hypothèse, on a retenu une croissance des besoins en eau de
l’industrie pour la Wilaya d’Oran de l’ordre de 5% par an sur la période d’étude (légèrement
plus grande que la moyenne nationale pour rattraper le retard de la Wilaya).

Pour la croissance de la population de la Wilaya d’Oran, on a supposé que celle-ci

s’inscrit dans la tendance nationale et, dans cette perspective, on a retenu pour cette wilaya
les taux de croissance démographique à l’échelle du pays. Rappelons que la population
algérienne a crû entre 1998-2008 au taux moyen de 1,64% mais que cette croissance
connaît une légère reprise sur la période récente.

Ces évolutions nous ont conduit à adopter les projections suivantes de la population
entre 2014 et 2050 dans la wilaya.

34
 Tableau 5:Projection de la population totale de la Wilaya d’Oran : 2009-2050

Année 2009 2010 2015 2020 2025 2050

Taux de croissance
1.9% 1.9% 1.7% 1.5% 1.2%
de la pop. (t ; t-1)
Population
projetée 1.480.251 1.508.376 1.657.222 1.802.957 1.942.297 2.618.096

Notons enfin que dans tous les scénarios, on priorise la satisfaction des besoins des
ménages et du secteur public sur ceux de l’industrie suivant en cela les priorités du plan
national de l’eau en Algérie.

2.1.2.2 Les résultats du scenario de référence

Dans ce scénario de référence, le schéma hydraulique de la Wilaya distingue la

production des stations de dessalement, les transferts externes des barrages, la
déminéralisation de Bredéah et les sources locales.

`
`

# # #

` `

Figure 9: Schéma hydraulique de la wilaya d’Oran.

Scénario de référence (2014-2050).

Face à la croissance de la population de la Wilaya, des services collectifs et du secteur

industriel, la demande d’eau augmente régulièrement entre 2014 et 2050 : elle atteint en
2030 un volume de 145,3 millions de m3 dont 88,8 millions provenant des ménages. En 2050,
ces volumes atteignent respectivement 238.1 et 118 millions de m3.

35
 Demande en eau (sans pertes, recycl., GSD)
Scénario: reference COLLECTIVITES
INDUSTRIE
240 MENAGES

220

200

180
Million Mètre cube

160

140

120

100

80

60

40

20

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050

Figure 10: évolution de la demande en eau de la wilaya d’Oran

Scénario de référence (2014-2050).

En termes de taux de recouvrement par secteurs (demande satisfaite/besoins en

eau), celui-ci diminue rapidement pour l’industrie. Ceci tient à la priorité accordée à
l’alimentation des ménages et des collectivités qui fait que le secteur industriel est le
premier touché par les pénuries d’eau. Ainsi, l’approvisionnement du secteur industriel
s’annule en 2019 (figure 10).
Recouvrement du site de demande (% satisfaction)
Scénario: reference COLLECTIVITES
INDUSTRIE
MENAGES

100
90
80
70
Pourcent

60
50
40
30
20
10
0

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050
Figure 11: taux de satisfaction par secteur de la wilaya d’Oran
Scénario de référence (2014-2050).

Sans autre action sur le volume des ressources, les ménages et les collectivités
commenceront à leur tour à connaitre des pénuries à partir de 2019. En 2050, seul 67.8% de
leurs besoins en eau seront satisfait.

36
 2.1.3 ANALYSE DE VARIANTES

Le scénario de référence est un scénario passif car il est supposé qu’aucune action
n’a été prise permettant de faire face à l’augmentation de la population et des entreprises.
En réalité, des projets sont en cours comme par exemple l’extension du dessalement et du
traitement des eaux usées. D’un autre côté, ce scénario suppose que les besoins unitaires en
eau sont constants tout au long de la période de simulation. Or, avec le progrès dans le
niveau de vie et notamment la disponibilité plus grande de logements, les besoins unitaires
vont s’accroître entraînant une demande globale plus grande encore.

C’est pourquoi on va procéder à la simulation de deux scénarios alternatifs, le

premier étant une variante du scénario de référence se focalisant sur la dimension de
demande en eaux et un second scénario se focalisant sur la dimension des ressources par
l’introduction de nouvelles infrastructures hydrauliques pour relâcher les contraintes
d’approvisionnement des acteurs.

2.1.3.1 Simulation d’un scenario de demande

Dans ce scénario, deux dimensions seront explorées : (i) la première concerne

l’évolution des besoins unitaires en eau des différents sites de demande et (ii) la deuxième
concerne les effets de l’amélioration de la gestion des ressources en eau, plus
particulièrement l’efficience du réseau de distribution.

2.1.3.1.1 Dimension 1 : L’augmentation des besoins unitaires des ménages et du

secteur de l’industrie

A l’instar de Arbués et al., (2003) on suppose que les besoins unitaires d

es ménages dépendent du niveau de vie (ܸܰ) ainsi que du taux d’occupation des
logements (ܱܶ‫)ܮ‬. Si on désigne par ݁ே ௏ et ்݁ை௅ respectivement l’élasticité du besoin
unitaire par rapport au niveau de vie et par rapport au taux d’occupation des logements, on
peut écrire :

݀‫ݐ݅݊ݑܤ‬௠ ௘௡
ൗ‫݁ = ݐ݅݊ݑܤ‬ே ௏ ቀܸ݀ܰൗܸܰቁ + ்݁ை௅ቀܱ݀ܶ‫ܮ‬ൗܱܶ‫ܮ‬ቁ Équation 7
௛௛

37
݁ே ௏ par exemple désigne l’augmentation en pourcentage du besoin unitaire d’eau ‫ݐ݅݊ݑܤ‬௠ ௘௡
des ménages qui résulte d’une augmentation de 1% du niveau de vie ܸܰ. Il en est de même
pour ்݁ை௅ concernant le taux d’occupation de logement (TOL).

Ces élasticités sont fixées respectivement pour le niveau de vie et pour le taux
d’occupation des logements à :

݁ே ௏ = 0.33 et ்݁ை௅ = − 0.7.2 Équation 8

Comme on n’a pas pu accéder à des informations sur les revenus dans la Wilaya
d’Oran, on a supposé que l’évolution annuelle du revenu par personne dans la Wilaya suit la
même progression qu’au niveau national durant la période 2000-2009, à savoir 3 :

ܸ݀ܰൗ = 2,2% Équation 9

ܸܰ

Enfin, concernant l’évolution du taux d’occupation de logements, selon les prévisions

du Ministère de l’habitat (2010), ce taux évoluera à l’horizon de 2030 selon le tableau qui
suit :
Tableau 6: Evolution du TOL au niveau national : 2003-2030

2008 2014 2020 2030

Taux d’occupation des

5.1 4.6 4.1 3.3
logements (personnes)

2
Dans leur analyse des variations de l’élasticité par rapport au revenu de la demande résidentielle
d’eau ݁ே ௏ , Dalhuisen et al. (2001) ont trouvé une élasticité moyenne de 0.4 bien que cette moyenne
varie assez amplement. Nous avons fixé pour notre part cette élasticité à 1/3 signifiant qu’une
augmentation de 1% du revenu du ménage entraîne une croissance de la demande d’eau du ménage
de 0.33%. D’un autre côté, on a fixé l’élasticité ்݁ை௅ par rapport au TOL à − 0.7. Celle-ci implique
qu’une diminution du taux d’occupation de ‫ݔ‬% entraîne une augmentation du besoin en eau du
ménage de 0.7 ∗ ‫ݔ‬%. Ainsi, une réduction du nombre de personne par logement de 5 à 4 personnes
(‫ݎ‬é݀‫ ݁݀ ݊݋݅ݐܿݑ‬− 1/5%) conduit à une augmentation de la demande d’eau par personne de (-
1/5)*(-0.7) = +14%.
3
En l’absence d’informations sociales régionales, on suppose que le revenu par habitant dans la
wilaya d’Oran croit au taux de 2,2% qui est le taux observé au niveau national sur la période de dix
ans 2000-2009 selon les sources de données de la Banque Mondiale (base de données : World
Development Indicators - 2011).

38
 Ainsi, le TOL passera de 5.1 personnes par logement en 2008 à 3.3 en 2030, marquant
ainsi une décroissance de -2% par an en moyenne. On adoptera ce même taux pour notre
région d’étude :

ܱ݀ܶ‫ܮ‬ൗ Équation 10
ܱܶ‫ = ܮ‬− 2%

En substituent (8), (9) et (10) dans (7), on obtient la croissance des besoins unitaires
des ménages:

݀‫ݐ݅݊ݑܤ‬௠ ௘௡
ൗ‫ = ݐ݅݊ݑܤ‬0,33 ∗ 2,2% + ൫− 0,7 ∗ (− 2%)൯= 2.1%
௛௛

Concernant le secteur industriel, on rappelle que dans le scénario de référence, la

consommation unitaire annuel de l’industrie a été établie à 4495,1 m3/ha. A l’avenir,
l’évolution technologique se fera en faveur d’une économie de la consommation d’eau dans
l’industrie dans le cadre d’une politique nationale de préservation de la ressource en eau.
Aussi, on fait l’hypothèse que la consommation unitaire d’eau à l’hectare pour le secteur
industriel passe progressivement de 4495 m3/ha en 2014 à 4000 m3/ha en 2050.

2.1.3.1.2 Dimension 2 : Une gestion active de la distribution des ressources en

eaux

Une gestion active des ressources en eau permet une économie de l’eau qui peut
être importante et contribue à réduire le déficit de la Wilaya (réduction de la perte dans le
réseau de distribution d’eau, recyclage de l’eau utilisée par les entreprises industrielles,
campagnes de sensibilisation de la population pour réduire les pertes d’eau potable etc).
Dans ce scénario intégré, on projette une diminution des pertes d’eau dans les liaisons qui
passe progressivement de 20% en 2014 à 10% à l’horizon 2050. En plus, le taux de recyclage
dans le secteur industriel passe de 0% de la consommation en 2014 à 20% en 2050.

2.1.3.1.3 Les résultats des simulations

Le scénario de référence avait déjà établi le déficit des ressources en eau compte
tenu de la progression démographique et de la croissance de la taille du secteur industriel.
La prise en compte de l’accroissement de la demande unitaire d’eau des ménages et des
collectivités va accroitre davantage la demande des ménages et des services publics.

39
Le graphique de la figure 11 ci-dessous présente l’accroissement de la demande en eau par
rapport au scénario de référence.

Demande en eau (sans pertes, recycl., GSD)

COLLECTIVITES
Scénario: Scenario Demande INDUSTRIE
55 MENAGES
50
45
40
Million Mètre cube

35
30
25
20
15
10
5
0
-5
-10

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050

Figure 12: Evolution de la demande supplémentaire en eau de la wilaya d’Oran

Scénario de demande 2014-2050 relativement au scénario de référence
Cette figure montre que la demande des ménages et des services publics sera
supérieure de 29.2 millions de m3/an en 2030 par rapport au scénario de référence et de
55.1 à l’horizon 2050. A l’inverse, l’industrie aura des besoins en eau plus faibles que dans le
scénario de référence du fait de son utilisation des technologies économes en eau.

On peut également observer le taux de recouvrement dans ce scénario intégré (Fig.

13)

Recouvrement du site de demande (% satisfaction)

COLLECTIVITES
Scénario: Scenario Demande INDUSTRIE
MENAGES

100
90
80
70
Pourcent

60
50
40
30
20
10
0

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050

Figure 13: évolution du taux de recouvrement des différents secteurs de la wilaya d’Oran.
Scénario intégré de demande.

40
 Le taux de recouvrement est plus faible que dans le scénario de référence pour tous
les sites de demande (du fait de l’accroissement de la demande des ménages et des
collectivités) malgré la réduction des pertes dans les liaisons de distribution. Il est de 65.7%
pour les ménages et les services publics en 2030 et seulement de 48.2% en 2050. L’industrie
est toutefois exposée à deux actions opposées : d’un côté les technologies qui favorisent
l’économie de l’eau favorisent le taux de recouvrement mais, d’un autre côté, la non priorité
de son approvisionnement a un effet négatif sur le taux de recouvrement. Comme dans le
scénario de référence, le taux de recouvrement est nul pour l’industrie à partir de 2019.

2.1.3.2 Simulation d’un scenario d’accroissement des ressources

2.1.3.2.1 Les hypothèses du scénario

Cette dimension, tout en intégrant les changements dans les besoins unitaires
étudiés ci-dessus, introduit la mise en place de projets d’infrastructures prévues par la
Direction de l’Hydraulique de la Wilaya à travers la construction d’une station de
dessalement (SDEM) et d’une station d’épuration (STEP) pour augmenter les ressources en
eau (non conventionnelles) de la Wilaya.

La mise en place d’une SDEM. La station de dessalement vient d’entrer en fonction en

2017 avec une capacité de traitement de 250.000 m3 en plein régime. A partir de 2030, des
capacités supplémentaires de dessalement d’eau de mer seront installées afin de faire à
l’accroissement continuel de la demande portant le niveau des ressources issues du
dessalement d’eau de mer à 380.000 m3 par an à l’horizon 2050, soit environ à un niveau
une fois et demi celui de 2030.

La mise en place d’une STEP. On projette également l’augmentation de capacités de

traitement des eaux usées à partir de 2017 en relation avec le programme de
développement des ressources en eau de la Wilaya. On rappelle que plusieurs stations de
traitement d’eau sont déjà en fonctionnement mais n’ont pas été jusque là prises en compte
du fait de leur faible capacité ainsi que de leur rejet d’eau traitée soit à la mer (STEP de Ain-
Turck) ou à la Sebkha (STEP de El Kerma). L’eau traitée n’est pas réutilisée dans le système

41
de demande. Dans les projections que nous réalisons dans ce scénario, les nouveaux
volumes d’eau traitée auront pour but d’alimenter le secteur de l’industrie à cette étape. On
évaluera dans le dernier chapitre de ce travail une variante ou ces volumes seront dirigés
vers l’agriculture.

La nouvelle STEP aura une capacité de traitement de 300.000 m3/j à l’horizon 2030,
soit 3.47 m3/s reflétant en cela les projets de la Direction de l’Hydraulique de la Wilaya
d’Oran. Elle atteint progressivement cette capacité de traitement suivant une courbe
logistique en partant d’un niveau initial de 1 m3/s en 2017. Des capacités de traitement
supplémentaires des eaux usées seront installées à partir de 2030 portant le volume de
traitement de la STEP à 425.000 m3 d’eau par jour.

Les débits de retours du site de demande et leur routage: On suppose que 60% de la
consommation des sites de demande (ménages, collectivités, industrie) est dirigé vers la
STEP, le reste étant dirigé vers d’autres réceptacles (Sebkha, mer,…). La STEP transmet l’eau
traitée au secteur de l’industrie. Le surplus éventuel des eaux traitées est rejeté à la mer.

Les priorités de demande : Comme dans le scénario de référence, la priorité des sites
de demande sera l’alimentation en eau des ménages et des collectivités avant le secteur de
l’industrie.

Les préférences d’approvisionnement : les ménages et les collectivités seront de

préférence alimentés par les stations de dessalement (priorité 1) à cause des coûts qui
exigent que les stations fonctionnent à plein temps à cause de la clause du ‘take or pay’.
Viennent ensuite les ressources conventionnelles locales (priorité 2) puis les transferts d’eau
des barrages hors Wilaya (priorité 3). Pour l’industrie, on a par ordre de priorité : la
production de la nouvelle STEP (priorité 1), le dessalement d’eau de mer (2), les ressources
locales (3) et enfin les transferts externes (4).

2.1.3.2.2 Les résultats des simulations

L’installation de la nouvelle station de dessalement a pour effet d’accroitre la

production d’eau dès son entrée en fonctionnement en 2017. La mise en place de la STEP
n’accroît pas les débits entrant dans le système mais diminue la production d’eau requise

42
pour satisfaire la demande (de l’industrie) car l’eau fournie aura un autre cycle d’utilisation
après son retraitement.

Les résultats de simulation montrent que la nouvelle station de dessalement ne

permet pas, à terme, de répondre à elle seule à l’évolution de la demande des différents
secteurs. La figure 14 présente l’évolution du taux de recouvrement de la demande des
ménages, des collectivités et de l’industrie
Recouvrement du site de demande (% satisfaction)
Scénario: dessalement ajoutée COLLECTIVITES
INDUSTRIE
MENAGES

100
95
90
85
80
75
Pourcent

70
65
60
55
50
45
40
35

2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 2037 2039 2041 2043 2045 2047 2049

Figure 14: évolution du taux de recouvrement des différents secteurs utilisateurs de la

wilaya d’Oran.
Scénario ressources 2017-2050.

On peut remarquer que le secteur de l’industrie supporte la pénurie de l’eau qui

apparaît à partir de 2035 et ceci suite à son ordre de priorité. Dans ce scénario ressource, le
taux de recouvrement des ménages et des collectivités est de 100%. Cependant, le taux de
recouvrement de l’industrie, après avoir été de 100% jusqu’en 2035 décline à partir de cette
date, les besoins de l’industrie n’étant plus couverts qu’à 36% seulement en 2050.

L’introduction en plus de la STEP permet par contre de satisfaire l’ensemble des

besoins en eau du sytème. Rappelons que la STEP alimente les besoins de l’industrie. Le taux
de recouvrement est alors de 100% pour les ménages, les collectivités et l’industrie.

La figure (15) ci-dessous présente à titre de synthèse l’origine des ressources

d’approvisionnement (infrastructures locales, les SDEM déjà existantes, les transferts
d’autres wilaya, la STEP et la nouvelle SDEM) des trois secteurs utilisateurs que sont les
ménages, l’industrie et les collectivités entre 2017 et 2050.

43
 Débit dans la liaison de transmission
Scénario: STEP Liaison de transmission depuis DESSALEMENT vers COLLECTIVITES
Liaison de transmission depuis DESSALEMENT vers MENAGES
320
Liaison de transmission depuis DESSAL_NOUVEAU vers COLLECTIVITES
300
Liaison de transmission depuis DESSAL_NOUVEAU vers MENAGES
280 Liaison de transmission depuis LOCALES vers COLLECTIVITES
260 Liaison de transmission depuis LOCALES vers MENAGES
240 Liaison de transmission depuis STEP. vers INDUSTRIE
220 Liaison de transmission depuis TRANSFERTS vers COLLECTIVITES
Million Mètre cube

200 Liaison de transmission depuis TRANSFERTS vers MENAGES

180
160
140
120
100
80
60
40
20
0

2017 2020 2023 2026 2029 2032 2035 2038 2041 2044 2047 2050

Figure 15: origine de la ressource d’approvisionnement des utilisateurs de la wilaya

d’Oran.

Toutefois, si les différents utilisateurs seront approvisionnés sans avoir recours aux
transferts entre 2019 et 2023, la nécessité de ces transferts externes reprend à partir de
2024 jusqu'à 2050 comme le montre la figure 16 ci-dessous. Par conséquente, la wilaya
d’Oran n’arrive pas à réaliser une autosuffisance hydrique même dans ce scénario
d’accroissement des ressources malgré l’installation de la SDEM et de la STEP.

Débit dans la liaison de transmission

Scénario: STEP Liaison de transmission depuis TRANSFERTS vers COLLECTIVITES
32 Liaison de transmission depuis TRANSFERTS vers INDUSTRIE
30 Liaison de transmission depuis TRANSFERTS vers MENAGES
28
26
24
22
Million Mètre cube

20
18
16
14
12
10
8
6
4
2
0

2017 2020 2023 2026 2029 2032 2035 2038 2041 2044 2047 2050

Figure 16: évolution de l’approvisionnement des utilisateurs à partir des

transferts de la wilaya d’Oran dans le scénario ressource 2017-2050.

Par ailleurs, la figure (17), ci-après, montre l’évolution des quantités excédentaires
aux besoins de l’industrie que fournit la STEP. Ces quantités d’eau supplémentaires qui, dans

44
ce scénario, sont rejetées à la mer, peuvent être dirigées vers un site alternatif (secteur
agricole). Cette option sera précisément étudiée en détail dans le dernier chapitre de ce
travail.
Débit de liaison de retour
Scénario: STEP Débit de retour depuis STEP. vers MER

40

35

30
Million Mètre cube

25

20

15

10

2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 2037 2039 2041 2043 2045 2047 2049

Figure 17: évolution des débits de retour de la STEP vers la mer dans le scénario ressource
2017-2050.

2.2 MODELISATION DU SECTEUR AGRICOLE ET SA

PROSPECTIVE A 2050.

On étudie dans cette section comment les besoins en eau d’irrigation évolueront et
pourront être satisfaits dans la Wilaya d’Oran à l’horizon 2050. Ceci est essentiel au regard
de l’importance accordée à l’agriculture dans le développement de la région et au vu des
projets qui sont envisagés.

Dans une première partie, on étudie le processus d’évapotranspiration dans la région

d’étude afin de nous permettre de déterminer les besoins en eau du secteur agricole avant
de présenter une modélisation de ce secteur basée sur un modèle simple de pluie-
ruissellement incorporé dans le logiciel WEAP. Enfin, on procédera à des simulations à
l’horizon 2050 qui nous permettront d’examiner l’évolution de l’intensité d’exploitation des
ressources de la Wilaya à travers la confrontation entre les ressources mobilisables et
renouvelables et les prélèvements effectués par le secteur.

45
 2.2.1 LE PROCESSUS D’EVAPOTRANSPIRATION

Le processus d’évapotranspiration est le processus par lequel l’eau liquide est vaporisée
et transférée dans l’atmosphère soit par l’évaporation de l’eau se trouvant dans la couche
terrestre soit par la transpiration des plantes.

On distingue différents types d’évapotranspiration suivant les conditions plus ou moins

standards dans lesquelles on se place. On se réfère ainsi à l’évapotranspiration de référence
(‫ܶܧ‬଴) et à l’évapotranspiration potentielle sous les conditions standards (‫)ܲܶܧ‬.

L’évapotranspiration de référence ‫ܶܧ‬଴ est utilisée pour rendre compte de l’évaporation

dans l’atmosphère indépendamment des caractéristiques des plantes, de leur étape de
développement ou des conditions spécifiques du sol. Elle est déterminée par référence à
une large surface couverte d’herbes vertes de hauteur entre 8 et 15 cm en pleine phase de
croissance et qui couvre entièrement la surface du sol (FAO 1986).

Cependant, l’évapotranspiration de référence ne prend pas en compte les données

spécifiques qui sont liés à la nature de la végétation et à la saison de l’année (par rapport au
cycle de vie de la plante). Plus les plantations sont différentes de la végétation de référence
et plus l’évapotranspiration réelle diffère de l’évapotranspiration de référence. A cet effet,
on définit l’évapotranspiration potentielle (‫ )ܲܶܧ‬comme le besoin effectif en eau
d’irrigation de la plante.

L’évapotranspiration potentielle dépend de la nature de la plante. A ce titre,

l’évapotranspiration de référence ET0 et l’évapotranspiration potentielle ETP sont dans un
rapport de de proportionnalité :

‫ࢀࡱ = ܲܶܧ‬૙ ∗ ࡷ ࡯ Équation 11

où KC est le coefficient cultural et est un coefficient spécifique à la plante considérée.

2.2.1.1 Détermination de l’évapotranspiration de référence ࡱࢀ૙ par unité

hydrogéologique

L’Agence Nationale des Ressources Hydrauliques (ANRH) a effectué une étude

hydrologique en 2003 pour évaluer l’évapotranspiration de référence sur l’ensemble du nord
de l’Algérie. La méthode de Penman-Monteith a été utilisée par l’ANRH. Le tableau suivant

46
présente ces résultats en mm/jour ainsi qu’en volume sur les superficies irriguées des
communes de la Wilaya d’Oran.
Tableau 7: Evapotranspiration de référence par commune (en mm/j et en
1000m3/j) (ANRH, 2003)

ET0 ET0 (Vol ET0 ET0 (Vol

COMMUNES COMMUNES
(mm/j)
3
1000m /an) (mm/j) 1000m3/an)

ORAN 3.62 1 521 BOUFATIS 3.75 1 012

GDYEL 3.61 4 125 MERS EL KEBIR 3.49 128
BIR EL DJIR 3.66 3 302 BOUSFER 3.61 2 053
HASSI BOUNIF 3.68 5 286 EL KARMA 3.73 1 659
ES SENIA 3.68 5 224 EL BRAYA 3.69 565
ARZEW 3.66 454 HASSI BEN OKBA 3.64 2 008
BETHIOUA 3.75 1 617 BEN FREHA 3.77 1 911
MARSAT EL HADJADJ 3.81 1 614 HASSI MEFSOUKH 3.76 1 028
AIN TURK 3.71 1 422 SIDI BEN YABKA 3.44 1 922
EL ANCAR 3.54 2 827 MESSERGHIN 3.68 15 418
OUED TLELAT 3.75 2 339 BOUTLELIS 3.57 10 937
TAFRAOUI 3.41 1 208 AIN KERMA 3.51 2 677
SIDI CHAMI 3.68 5 927 AIN BIYA 3.78 2 872

On déduit de ce tableau le volume de l’évapotranspiration de référence par unité

hydrogéologique comme la somme des volumes d’évapotranspiration de référence des
communes incluses dans l’unité hydrogéologique considérée.
Tableau 8 : Evapotranspiration de référence par unités hydrogéologique

Unité Hydrogéologique ET0 (Vol

1000m3/an)
8 941
Cotiere Ain Turck
37 821
nappe de Bredeha
33 781
Complexe du Murdjajo
partie Nord d'Arbal 242

47
 2.2.1.2 Détermination de l’évapotranspiration potentielle par unité
hydrogéologique

Les valeurs des coefficients culturaux ‫ܭ‬஼ des principales cultures sont données par
SOGREAH (2009) dans les quatre grandes régions agricoles de la wilaya d’Oran que sont :

― Les côtes littorales du Tlemcanais-Oranais (RA5 )

― Les piémonts du murdjadjo sebha d'oran (RA53)

― La plaine de la M'leta (RA64)

― Les plaines de Hassi Bounif - Gdyel (RA74)

Ces coefficients sont présentés dans le tableau 9 ci-dessous :

Tableau 9: Valeurs des coefficients culturaux par régions agricoles et cultures
Fourra Maraich. Maraich. Maraich Maraich Agrumes Agrum Rosacé Rosacé Oliviers/Ru Oliviers/R Viticultu Viticult
ge (1ère (2ème . s/serr . s/serr Jeune e e J. e Prod. stiques J. ustiques r J. ur
irrigué cult.) cult.) 1C 2C plant. prod. plant. plant. prod. plant. Prod.
RA5 0.43 0.36 0.37 0.35 0.65 0.34 0.68 0.38 0.77 0.34 0.68 0.24 0.48

RA53 0.43 0.31 0.32 0.38 0.67 0.34 0.68 0.38 0.77 0.34 0.68 0.24 0.48

RA64 0.43 0.33 0.38 0.37 0.66 0.34 0.68 0.38 0.77 0.34 0.68 0.24 0.48

RA74 0.43 0.31 0.31 0.38 0.67 0.34 0.68 0.38 0.77 0.34 0.68 0.24 0.48

Moyen
0.43 0.33 0.37 0.37 0.66 0.34 0.68 0.38 0.77 0.34 0.68 0.24 0.48
wilaya

Source : SOGREAH (2009)

Connaissant la répartition des communes par régions agricoles, on a déduit, le coefficient

௖௢௠ ௠ ௨௡௘
cultural de chacune des communes et pour chaque culture (‫ܿܭ‬௖௨௟௧௨௥௘ ) comme étant celui

de la région agricole à laquelle la commune appartient.

௖௢௠ ௠ ௨௡௘
Etant donnés ces coefficients culturaux ‫ܿܭ‬௖௨௟௧௨௥௘ , le besoin en irrigation pour
௖௢௠ ௠ ௨௡௘
chaque commune et chaque culture ‫ܤ‬௖௨௟௧௨௥௘ sera égale d’après l’équation (11) au produit
௖௢௠ ௠ ௨௡௘ ௖௢௠ ௠ ௨௡௘
de l’évapotransiration potentielle (‫ܲܶܧ‬௖௨௟௧௨௥௘ = ‫ܶܧ‬଴௖௢௠ ௠ ௨௡௘ ∗ ‫ܿܭ‬௖௨௟௧௨௥௘ ) par la surface

irriguée pour la culture et dans la commune considérée :

௖௢௠ ௠ ௨௡௘ ௖௢௠ ௠ ௨௡௘ ௖௢௠ ௠ ௨௡௘

‫ܤ‬௖௨௟௧௨௥௘ = (‫ܶܧ‬଴௖௢௠ ௠ ௨௡௘ ∗ ‫ܿܭ‬௖௨௟௧௨௥௘ ) ∗ ‫݃݅ݎݎ݅_݂ݎ݁݌ݑݏ‬௖௨௟௧௨௥௘

Le besoin global en eau d’irrigation en volume pour chaque commune ‫ ܤ‬௖௢௠ ௠ ௨௡௘ est
alors la somme des besoins en eau de la commune pour chacune de ses cultures
pratiquées :

48
 ௖௢௠ ௠ ௨௡௘ ௖௢௠ ௠ ௨௡௘
‫ܿܶܧ‬௖௢௠ ௠ ௨௡௘ = ෍ (‫ܶܧ‬଴௖௢௠ ௠ ௨௡௘ ∗ ‫ܿܭ‬௖௨௟௧௨௥௘ ∗ ‫݃݅ݎݎ݅_݂ݎ݁݌ݑݏ‬௖௨௟௧௨௥௘ )
௖௨௟௧௨௥௘

Enfin le besoin en eau d’irrigation pour chacune des unités hydrogéologique ‫ ܤ‬௎ு
s’obtient comme la somme des besoins globaux des différentes communes ‫ ܤ‬௖௢௠ ௠ ௨௡௘
appartenant à cette unité. Le tableau suivant 10 présente ces besoins d’irrigation par
grandes unités hydrogéologiques :
Tableau 10 : Volume d’évapotranspiration potentielle par unité
hydrogéologique
Unité Hydrogéologique ETP (Vol 1000m3/an)
Côtier Ain Turck 3 876
nappe de Bredeha 16 840
Complexe du Murdjajo 14 306
partie Nord d'Arbal 103
WILAYA 35 126

Ainsi, les besoins globaux en irrigation de la Wilaya d’Oran peuvent être estimés à 35.1
million de m3 annuellement.

2.2.2 LA MODELISATION DU SECTEUR AGRICOLE ET SA

PROSPECTIVE A 2050

Pour procéder à des simulations et à une analyse de scénarios sur le long terme, il est
nécessaire de se donner un modèle pour servir d’instrument de projection des ressources
hydriques de la Wilaya ainsi que des besoins en irrigation sur un horizon étendu.

Nous utiliserons dans ce cadre un modèle de pluie-ruissellement incorporé dans le logiciel

WEAP appelé modèle de pluie-ruissellement à coefficients simplifiés.

2.2.2.1 Les équations du modèle de pluie-ruissellement à coefficients

simplifiés

Le modèle ‘pluie-ruissellement’ (rainfall-runoff) de la FAO incorporé dans WEAP

détermine à la fois les besoins en eau et l’offre requise, le ruissellement dans le bassin
hydrologique et sa composante de surface et d’infiltration.

49
 La première partie de ce modèle (Eq. 12 – 14 ci-dessous) détermine
l’évapotranspiration ETP dans le bassin versant à l’aide des coefficients culturaux ‫ܭ‬஼ et de
l’évapotranspiration de référence ‫ܶܧ‬଴ (Eq. 14) utilisant l’approche de la FAO (Allen et al.,
2003). Prenant en compte les précipitations effectives ܲ௘௙௙, comme une proportion ܴ௉௘௙௙
du total des précipitations, ܲ௧ (Eq. 12), cette méthode détermine ensuite l’irrigation
requise ‫ܦ‬ூ௥, c‘est-à-dire celle qui ne peut pas être apportée par les précipitations effectives
(Eq. 15). Les prélèvements ܲ‫ ݎ‬prennent en compte le taux d’efficience de l’irrigation ܴ௘௙௙,ூ௥
(Eq. 16). Dans ces équations, ܵூ௥ représente les superficies irriguées des unités
hydrogéologiques et ܸ௉௘௙௙ le volume de pluie effective dans les surfaces irriguées (Eq. 13).

Dans le deuxième bloc du modèle (Eq. 17-19), l’eau non soumise à l’évapotranspiration
ܴ‫݊ݑ‬ை௙௙ est simulée comme un écoulement (Eq. 17). Celui-ci est alors fractionné entre le
ruissellement de surface ܴܵ‫݊ݑ‬ை௙௙ (Eq. 18) et la percolation profonde ‫݂݊ܫ‬suivant un
coefficient ܴௌ௥௨௡ dépendant de la nature du sol, du couvert végétal et de la topographie
(Eq. 19).

ܲ௘௙௙ = ܲ௧ ∗ ܴ௉௘௙௙ Équation 12

ܸ௉௘௙௙,ூ௥ = ܲ௘௙௙ ∗ ܵூ௥ Équation 13

‫ܲܶܧ‬ூ௥ = ‫ܶܧ‬଴,ூ௥ ∗ ‫ܭ‬஼,ூ௥ ∗ ܵூ௥ Équation 14

‫ܦ‬ூ௥ = ‫ܲܶܧ‬ூ௥ − ܸ ܲ௘௙௙,ூ௥ Équation 15

஽ ಺ೝ
ܲ‫ݎ‬ூ௥ = ൬ோ ൰ Équation 16
೐೑೑೔,಺ೝ

ܴ‫݊ݑ‬ை௙௙ = ܲ௧ ∗ ൫1 − ܴ௉௘௙௙൯+ ൫1 − ܴ௘௙௙,ூ௥൯∗ ܲ‫ݎ‬ூ௥ Équation 17

ܴܵ‫݊ݑ‬ை௙௙ = ܴ‫݊ݑ‬ை௙௙* ܴௌோ௨௡ Équation 18

‫݊ݑܴ = ݂݊ܫ‬ை௙௙*(1- ܴௌோ௨௡ ) Équation 19

2.2.2.2 Le paramétrage du modèle.

La résolution du modèle nécessite le paramétrage de ses coefficients : le taux de

pluie effective, la fraction ܴௌோ௨௡ de ruissellement de surface, le taux d’efficience de

50
l’irrigation ܴ௘௙௙௜,ூ௥ ainsi que les quatre coefficients culturaux ‫ܭ‬஼,ூ௥ relatifs à chacune des
unités hydrogéologiques.

La partie des précipitations disponible pour l’évapotranspiration constitue les

précipitations effectives (N.G. Destane, 1978). En Inde, les précipitations effectives sont
empiriquement retenues à hauteur de 70% de la moyenne des précipitations saisonnières.
En Thaïlande, les précipitations effectives représentent 80% des précipitations au mois de
novembre et 90% de décembre à mars (Destane, 1978). Pour l’Algérie, on dispose de l’étude
du Plan National de l’Eau qui estime que les « pluies efficientes contribuant à la nutrition des
plantes sont estimées dans des conditions normales de précipitation et de topographie à
80% en première approximation » (Plan national de l’eau, Ministère des ressources en eau,
2008, Vol6, p 22).

Par ailleurs, nous faisons l’hypothèse que le taux d’efficience de l’irrigation est de
70% dans le scénario de référence.

Pour estimer la capacité d’infiltration et de ruissellement par unité hydrogéologique,

on s’est basé sur l’étude de Sogreah (2009) qui estime un coefficient d’infiltration à 15% des
précipitations totales et un coefficient de ruissellement de 5% de ce total4.

Enfin, les coefficients culturaux sont estimés par confrontation des deux tableaux 8 et
10 ci-dessus donnant les volumes d’évapotranspiration de référence et potentiels par unité
hydrogéologique sachant que ces volumes sont reliés par l’équation 11. Ces valeurs nous
permettent de déduire les différents coefficients culturaux présentés dans le tableau 11 ci-
dessous :
Tableau 11: valeurs estimées des coefficients culturaux moyen par unité hydrogéologique
(2)/(1)
Unité Hydrogéologique (1) ET0 (2) ETP
Coefficient cultural KC
Cotiere Ain Turck 8 941 3 876 0,43
nappe de Bredeha 37 821 16 840 0,45
Complexe du Murdjajo 33 781 14 306 0,42
partie Nord d'Arbal 242 103 0,43

4
Rappelons que le taux de pluie effective est de 80% de sorte que 20% des pluies sont destinées à
l’écoulement.

51
 2.2.3 LE SCENARIO DE REFERENCE

Pour établir le scénario de référence pour l’horizon 2010-2050, on maintient constant

tous les paramètres du modèle (taux d’infiltration ; taux d’efficience, etc…) sauf la superficie
du secteur irrigué. On suppose que la surface irriguée croit au taux de 3% entre 2014 et
2050, ce qui est le taux retenu par les services de la DPAT. Par cela, la superficie irriguée
passera de 6849 ha aujourd’hui à 19844 ha en 2050.

Avec cette hypothèse, les tensions sur les ressources vont être plus fortes car les
prélèvements vont croitre alors que les ressources restent à un même niveau. La figure 18
montre l’évolution de la demande résultant de cette croissance de la taille du secteur
agricole sur la période 2014-2050.

Demande en eau (sans pertes, recycl., GSD)

Scénario: reference BREDEAH\irrigue
COTIER AIN TURK\irrigue
80 CPLXE MURDJAJO\irrigue
TAFRAOUI\irrigue
70

60
Million Mètre cube

50

40

30

20

10

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050

Figure 18: Demande en eau d’irrigation de la wilaya d’Oran

Scénario de référence 2014-2050

Quel sera alors l’évolution de l’exploitation à l’horizon 2050 ? Il est nécessaire pour
cela de confronter les ressources hydriques mobilisables et les prélèvements de surface et
souterrains nécessaires au développement du secteur agricole.

Cependant, on doit observer que l’ensemble des volumes ruisselés et infiltrés ne

peuvent être mobilisés dans leur totalité par les activités humaines. Une partie uniquement
de la ressource brute est exploitable et c’est celle-ci qui doit être mise en balance avec les
prélèvements. Comme le souligne l’étude de la situation de la PMH de Sogreah (2009) la part

52
de ressource mobilisable par rapport à la ressource brute dépend de beaucoup de
paramètres et, en particulier, du coût qu’on accepte de payer pour extraire la ressource
brute, du volume des investissements requis (barrages, forages, puits etc.) ou des dépenses
de fonctionnement en maintenance et énergie notamment. On voit ainsi qu’il est difficile
d’estimer la part des ressources mobilisables. Dans ce cadre, tenant compte des coefficients
de mobilisation des ressources superficielles et souterraines obtenus par l’étude de Sogreah
(2009) sur la PMH dans la Wilaya d’Oran, on a retenu un coefficient de mobilisation
uniforme par rapport aux différentes unités hydrogéologiques de 50% de la recharge des
nappes souterraines.

Dans ce cadre, le taux d’exploitation peut être estimé par le rapport entre le
prélèvement des nappes souterraines sur la partie mobilisable (50%) de la recharge des
nappes. Le tableau suivant donne l’évolution du taux d’exploitation des nappes de chacune
des unités hydrogéologiques.

Tableau 12: ressources hydriques et prélèvements en 2050 (en millions de m3).

Scénario de référence 2014-2050.

Ressource aquifère Prélèvement de Taux d'exploitation des

mobilisable nappes nappes
Unités
2014 2030 2050 2014 2030 2050 2014 2030 2050
Hydrogéologique
Nappe de Bredeha 12.27 13.22 15.25 11.99 19.2 34.8 97.7% 145.5% 227.8%

Côtier Ain Turck 6.97 7.17 7.59 2.50 4.0 7.2 35.8% 55.9% 95.3%

Complexe du 31.98 32.78 34.49 10.11 16.2 29.3 31.6% 49.5% 84.9%
Murdjajo
Partie Nord 1.80 1.81 1.82 0.07 0.12 0.21 4.1% 6.6% 11.8%
d'Arbal
Total Wilaya 53.04 54.99 59.16 24.67 39.6 71.5 46.5% 72.0% 120.8%

La surexploitation des nappes sera en moyenne pour l’ensemble des unités

hydrogéologique de près de 121%. Elle est excessive particulièrement pour la nappe de
Brédéah avec un taux de plus de 227%. Cela justifie que des scénarios alternatifs doivent
être envisagés pour réduire la pression sur la surexploitation des nappes phréatiques,

53
notamment celle de Bredéah avec les problèmes de salinisation qu’elle pose, et préserver les
ressources hydriques de la Wilaya. L’action doit porter à la fois sur la réduction de la
demande à travers l’amélioration de l’efficience du système d’irrigation en même temps que
sur l’augmentation de la mobilisation des ressources à travers de nouvelles infrastructures
hydrauliques pour la Wilaya. Ce sont ces scénarios alternatifs que nous étudions dans la
suite.

2.2.4 VARIANTES ALTERNATIVES

2.2.4.1 Scenario de réduction de la demande

Selon l’étude de SOGREAH (2009) le principal mode d’irrigation dans la Wilaya est le
mode gravitaire qui représente 57% des modes d’irrigation et qui est concentré surtout dans
les Piémonts du Murdjadjo et dans la plaine de Hassi Bounif – Gdyel. Ce mode d’irrigation
dominant est pourtant celui dont l’efficience est la plus faible sachant que celle-ci varie entre
40 et 70% seulement et occasionne des pertes d’eau non négligeables.

Le mode du goutte à goutte représente 36% des modes d’irrigation de la Wilaya. Son
efficience est de l’ordre de 90%. L’aspersion est très peu pratiquée (1%) alors que le
citernage représente 6% des modes d’irrigation.

Cette domination du mode d’irrigation à faible efficience (gravitaire) montre que des
progrès importants dans l’économie des ressources peuvent être réalisés. Dans la suite, on
simule une amélioration de l’efficience du système d’irrigation qui fait progressivement
passer le taux d’efficience de 70% en 2014 à 90% en 2050 à travers une généralisation du
mode d’irrigation par aspersion et par goutte à goutte.

La plus grande efficience du mode d’irrigation va réduire les prélèvements requis.

Comme le montre la figure 19 ci-après, en comparaison avec le scénario de référence, la
réduction des prélèvements prévue sera en 2030 de 8.33 millions de m3 et de 15.13 millions
de m3 en 2050.

54
 Demande en eau (sans pertes, recycl., GSD)
Scénario: amelioration systeme irrigation BREDEAH\irrigue
0,0 COTIER AIN TURK\irrigue
-1,0 CPLXE MURDJAJO\irrigue
-2,0 TAFRAOUI\irrigue
-3,0
-4,0
Million Mètre cube

-5,0
-6,0
-7,0
-8,0
-9,0
-10,0
-11,0
-12,0
-13,0
-14,0
-15,0

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050
Figure 19: Diminution de la demande en eau par amélioration de l’efficience
Scénario de demande 2014-2050.

Malgré cette amélioration des systèmes d’irrigation, la pression sur les ressources
reste encore importante. Ainsi, les prélèvements restent plus grands que les ressources
souterraines mobilisables. Après seulement une légère diminution en 2015 où les économies
d’efficience l’emportent sur la croissance de la superficie irriguée cette année, les
prélèvements augmentent de nouveau à partir de 2016 sous la pression des besoins
d’irrigation. Le taux d’exploitation des nappes souterraines passent ainsi à l’horizon 2050 de
120.8% dans le scénario de référence à environ 109.3% dans le présent scénario avec
toujours une large surexploitation de la nappe de Brédéah.

2.2.4.2 Scénarios de mobilisation des ressources

Si les gains qui peuvent être réalisés par une amélioration de l’efficience des modes
d’irrigation sont importants ils restent toutefois insuffisants au regard de la pression à la
hausse des besoins en irrigation. Cela justifie qu’on s’intéresse à des scénarios qui
envisagent des actions en vue d’une plus grande mobilisation des ressources de la Wilaya.
C’est pourquoi, on explore dans la suite un scénario de construction de retenues collinaires
permettant de mobiliser davantage les eaux de ruissellement de surface et de réduire la
pression sur les nappes souterraines.

Dans ce scénario, on simule un projet de la Wilaya non encore formalisé de

réalisation de 12 retenues collinaires qui permettront d’augmenter l’utilisation du
ruissellement de surface pour l’irrigation des plantations.

55
 On retient à ce niveau deux réalisations qui s’implantent en 2017 dans les
localisations où le réseau hydrographique est le plus dense : l’Oued Beggoug dans le Côtier
de Ain Turck et l’Oued Guessiba dans l’unité hydrologique du Complexe du Murdjadjo. Par
ces retenues collinaires, l’objectif sera de faire passer la part des ressources de surface dans
le Côtier de Ain Turck de 24% actuellement à 50% et dans le Complexe du Murdjadjo de 0% à
10% en 2017. Au total, la moyenne de mobilisation des eaux de surface passera de 3,3%
actuellement à 13% en moyenne pour toute la Wilaya.

En comparaison avec le scénario précédent (amélioration des modes d’irrigation), la

réalisation de ces retenues permettra de mobiliser un volume de 1,728 millions de m3 par an
d’eau de ruissellement qui seront autant de volume qui soulageront les nappes dans les
unités hydrogéologiques concernées. A cet effet, les figures suivantes 20 et 21 ci dessous
comparent l’exploitation des nappes du Côtier de Ain-Turck et du complexe du Murdjajo
dans les scénarios avec et sans retenues collinaires.

Ces volumes sont, comme on peut le voir, loin de constituer à eux seuls une solution
à la question de l’irrigation agricole alors même que nous avons supposé une croissance
modérée du secteur agricole (3%/an). Il faut rappeler à ce titre la faible densité du réseau
hydrographique de la Wilaya d’Oran ainsi que la faiblesse des précipitations qui ne
permettent pas d’envisager une solution dans le long terme uniquement dans ce sens.

Débit dans la liaison de transmission

Liaison de transmission: Liaison de transmission depuis Nappe Cotier vers COTIER AIN TURK
Retenues collinaires
4,600
amelioration systeme irrigation
4,400

4,200

4,000

3,800
Mille Mètre cube

3,600

3,400

3,200

3,000

2,800

2,600

2,400
2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

2022

2023

2024

2025

2026

2027

2028

2029

2030

Figure 20: Comparaison de l’exploitation de la nappe du Côtier Ain Türck

dans les scénarios avec et sans retenues collinaires

56
 Débit dans la liaison de transmission
Liaison de transmission: Liaison de transmission depuis nappe Cplxe Murdj vers CPLXE MURDJAJO Retenues collinaires
28 amelioration systeme irrigation

26

24
Million Mètre cube

22

20

18

16

14

12

10

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050

Figure 21: Comparaison de l’exploitation de la nappe du complexe du

Murdjajo dans les scénarios avec et sans retenues collinaires

CONCLUSION
En conclusion, la faible mobilisation des ressources du ruissellement de surface du
fait de la faible densité du réseau hydrologique et l’exploitation systématique des eaux des
nappes souterraines pour les besoins de l’irrigation du secteur agricole ont pour
conséquence une vulnérabilité particulière de l’hydrosystème de la région et conduisent
dans une grande mesure au recours aux ressources d’autres régions afin de couvrir les
besoins en eau des différents sites de demande, que ce soit l’agriculture, les ménages, les
services publics ou l’industrie. Les multiples scénarios que nous avons jusque-là envisagé,
que ce soit du côté de la demande ou de la mobilisation des ressources hydriques réduisent
certes pour une partie le recours aux transferts d’eau externes ainsi que la pression sur les
nappes souterraines. Cependant, nous avons montré qu’ils ne sauraient constituer une
réponse aux déficits hydriques qui vont en s’accroissant à l’horizon 2050.

Les changements climatiques aggravent cette situation de déphasage entre

l’évolution de la demande en eaux des différents acteurs et celle des ressources
mobilisables. C’est pour cela que les chapitres suivants vont s’atteler d’une part à cerner
l’intensité du changement climatique dans la région d’Oran afin d’étudier ses conséquences
sur l’évolution de l’hydrosystème et d’autre part de proposer des mesures en vue de
l’atténuation de ses effets et du rétablissement de l’équilibre hydrique de la Wilaya d’Oran.

57
CHAPITRE 3. LA PREVISION DE
LONG TERME DES CHANGEMENTS
CLIMATIQUES DANS LA WILAYA
D’ORAN

58
 INTRODUCTION

L’objet de ce chapitre est d’étudier l’évolution de long terme du climat dans la wilaya
d’Oran à l’effet de mettre en avant les scénarios probables d’évolution des températures et
des précipitations dans cette wilaya. Par cela, nous relâchons l’hypothèse de stationnarité du
système climatique que nous avons retenu dans les chapitres précédents de ce travail.

La problématique des changements climatiques est importante à considérer car elle

représente aujourd’hui un défi majeur au vu des effets que ceux-ci peuvent avoir sur
l’évolution des ressources hydriques avec les conséquences défavorables sur l’économie et
les populations des territoires.

En effet, du fait des perturbations qui affectent le système climatique, l'eau est de
plus en plus considérée comme une ressource rare. L’un des principes de la Déclaration de
Dublin stipule que l'eau est une ressource limitée et vulnérable tout en étant essentielle à la
vie, au développement et à l'environnement. Plus récemment, les modèles climatiques ont
montré que le réchauffement climatique a le potentiel de mettre davantage la pression sur
la disponibilité de l'eau en affectant la quantité et la distribution des précipitations ainsi que
la fréquence des événements hydrologiques extrêmes tels que les inondations et les
sécheresses. (Parry et al., 2007).

Ces pénuries d'eau induites par le changement climatique ne sont pas uniformément
réparties dans le monde. Des effets plus défavorables sont attendus dans les régions arides
ou dans les pays en développement qui souffre de l’absence de technologies et
d’infrastructures nécessaires à la mobilisation de cette ressource. Cette répartition
asymétrique de l’impact des changements climatique rend encore plus impérieuse la mise
en place d’une gestion intégrée de l'hydrosystème. Celle-ci apparaît en effet comme une
réponse à ces défis climatiques et une manière de contribuer à réduire les écarts de plus en
plus probables entre la disponibilité limitée de l'eau et la demande croissante des différents
secteurs de la société (Grigg, 2008: 282).

La wilaya d'Oran est très impliquée dans cette problématique pour plusieurs raisons.
Tout d'abord, comme nous l’avons vu dans les chapitres précédents, l'expansion de sa
population et la faible densité de son réseau hydrographique conduisent à un écart croissant

59
entre l'évolution rapide de la demande en eau et le faible potentiel de cette région pour la
mobilisation des ressources en eau conventionnelles. Ensuite, le système actuel de
distribution d'eau dans la région se caractérise comme nous l’avons observé par une
mobilisation sous-optimale des ressources en eau due au découplage de l'irrigation du reste
du secteur hydrologique. Enfin et surtout, le changement climatique exercera une pression
supplémentaire sur la demande d'eau et sa disponibilité dans cette région et aggravera
probablement le stress dans l’hydrosystème.

Malgré la vulnérabilité de cette région, peu d'études ont été consacrées aux
changements climatiques et à leurs impacts sur la satisfaction des besoins en eau des
différents secteurs. Il faut toutefois souligner les exceptions notables que sont Abed et al.
(2011) et Hamlat et al. (2012).

Les premiers auteurs simulent quatre modèles de circulation mondiale élaborés par
le groupe CIRCE dans le cadre du scénario A1B du Groupe d'experts intergouvernemental sur
l'évolution du climat (GIEC) pour étudier l'impact du changement climatique sur divers
indicateurs comme le ruissellement annuel, le niveau de confort thermique humain ou le
rendement en blé dans le golfe d'Oran. Cependant, la faible résolution spatiale des modèles
utilisés - qui se situe entre 2 ° et 3 ° - rend leurs prévisions climatiques peu représentatives
de la dynamique du changement climatique dans notre région d'étude.

Les deuxièmes auteurs analysent l'écart entre la demande en eau et la disponibilité

limitée de cette ressource dans les bassins versants de l'ouest de l'Algérie sous différentes
scénarios de changement climatique. Cependant, ces scénarios ne reposent pas sur une
modélisation explicite des prévisions du changement climatique, de sorte qu'ils
apparaissent, dans une certaine mesure, comme une construction ad-hoc.

Dans ce chapitre, contrairement à ces études sur les perspectives hydrologiques dans
la région d'Oran, nous nous proposons de présenter deux approches méthodologiques
permettant de modéliser explicitement le changement climatique local dans la wilaya
d’Oran. Notre démarche sera basée sur la formalisation des relations entre les différentes
variables climatiques, ce qui nous permettra par la suite d’appréhender de manière
quantifiée l’impact des perturbations du système climatique sur la demande et l'offre des
ressources en eau dans la région d’étude.

60
 Rappelons dans ce cadre que les méthodes de projections des variables climatiques ont
connu au cours des dernières années deux directions distinctes :

― les modèles de prévision climatique basées sur la corrélation des séries

chronologiques des températures et des précipitations que nous désignerons comme
étant l’approche statistique de la prévision climatique,

― les modèles de réduction d’échelle (downscaling statistique ou downscaling

dynamique) qui sont une déclinaison à l’échelle locale des modèles de circulation
globale et qu’on peut désigner comme étant l’approche physique de la prévision.

Chacune de ces méthodes possède ses propres avantages et inconvénients.

Les modèles de réduction d’échelle ont un contenu plus riche en ce qu’ils font intervenir
les processus physiques qui gouvernent la dynamique du système climatique comme
facteurs explicatifs de l’évolution des variables climatiques. Cependant, ces modèles sont
globaux et bien que les méthodes de downscaling permettent de réduire l’échelle et
d’intégrer les caractéristiques locales, cette réduction elle-même introduit naturellement
des sources d’erreurs.

Alternativement, la modélisation basée sur l’approche statistique a comme limite de

n’expliquer l’évolution des variables climatiques, comme nous le verrons ci-dessous, que par
le passé de ces variables. Toutefois, elle a le mérite, à l’inverse des méthodes de réduction
d’échelle, de ne faire appel qu’à des variables directement observables au niveau local.

Cette alternative nous a poussé à utiliser l’une et l’autre de ces approches de

modélisation des changements climatique afin de mettre en évidence les résultats
auxquelles elles aboutissent lorsqu’elles sont appliquées à la région d’Oran et de procéder à
des éléments de comparaison.

Dans ce cadre, la première section de ce chapitre utilise l’approche statistique pour

étudier la prévision de l’évolution des températures et des précipitations de la wilaya d’Oran
à l’horizon 2050. Pour cela, nous utilisons un cadre de modélisation basé sur la
méthodologie de Box et Jenkins où la prévision est basée sur la corrélation temporelle des
variables. Ce cadre de modélisation offre l’avantage de prendre directement en compte les
caractéristiques climatiques locales de la région.

61
 Nous examinerons ensuite les prévisions de changement climatique que peut fournir
l’approche alternative de modélisation par l’approche physique. Pour cela, dans une
deuxième section nous présentons les principes les plus importantes sur lesquels est fondé
ce cadre de modélisation.

Dans une troisième section enfin, nous appliquons ce cadre de modélisation au cas
spécifique de la prévision climatique dans la wilaya d’Oran à travers l’approche par le
downscaling statistique. Nous fournirons dans cette section les prévisions de changement
climatique résultant du dowscaling de modèles de circulation globale à l’échelle de la région
d’Oran et présenterons enfin les résultats de simulations de scénarios de changements
climatiques généralement recommandés par l’IPCC.

3.1. LA PREVISION DU CHANGEMENT CLIMATIQUE DANS LA

WILAYA D’ORAN: L’APPROCHE STATISTIQUE

3.1.1. DESCRIPTION DE L’APPROCHE STATISTIQUE

Nous nous proposons dans cette section de dériver des projections climatiques dans la
wilaya d’Oran en appliquant les méthodes de type ARIMA (AutoRegressive Integrated
Moving Average) de Box et Jenkins (1976). Cette modélisation permet de décrire l’évolution
au cours du temps d’une variable en référence uniquement à son passé. Pour cela, elle est
parfois décrite comme une ‘modélisation boîte noire’.

Plus précisément, les modèles ARIMA combinent trois types de processus temporels
(Hipel 1997 ; Desbois, 2005):

― la composante AutoRégressive(AR),

― les processus Intégrés (I), et

― la composante Moyennes Mobiles (MA).

L’évolution d’un processus ARMA {ܻ௧} (sans composante intégrée I) est alors régie par
l’équation générale suivante:

ܻ௧ − ߠଵܻ௧ିଵ − ⋯ − ߠ௣ ܻ௧ି௣ = ߝ௧ + ߮ଵߝ௧ିଵ + ⋯ + ߮௤ߝ௧ି௤

62
oùߝ௧ est un processus purement aléatoire de bruit blanc.

L’écriture compacte de ces modèles fait appel à l’opérateur de retard L défini par
(‫ܮ‬. ܻ௧ = ܻ௧ିଵ) et à sa puissance ‫ܮ‬௣ d’ordre ‫ ݌‬définie par ൫‫ܮ‬௣ ܻ௧ = ܻ௧ି௣ ൯ ainsi qu’à
l’opérateur de différence ‫ ܦ‬ௗ d’ordre ݀ (‫ ܦ‬ௗ ܻ௧ = (1 − ‫ )ܮ‬ௗ ܻ௧).

Avec ces notations, le modèle se réécrit sous la forme :

߆(‫ܻ)ܮ‬௧ = ߔ (‫ߝ)ܮ‬௧ Equation 19’

où ߆(‫ )ܮ‬and ߔ (‫ )ܮ‬sont des polynômes retard d’ordre ‫ ݌‬et ‫ݍ‬: ߆(‫ = )ܮ‬1 − ߠଵ‫ ܮ‬− ⋯ − ߠ௣ ‫ܮ‬௣
et ߔ (‫ = )ܮ‬1 + ߮ଵ‫ ܮ‬+ ⋯ + ߮௤‫ܮ‬௤.

Dans le cas d’un processus non stationnaire, (notamment lorsque le processus possède une
tendance temporelle), mais qui est intégré à l’ordre ݀ (c’est-à-dire dont la différence d’ordre
݀ est stationnaire), l’écriture ARIMA du processus sera plus complexe en s’écrivant :

߆(‫ ܦ[)ܮ‬ௗ ܻ௧] = ߔ (‫ߝ)ܮ‬௧.

où d est l’ordre de différentiation (Dௗ ) qui a permis de stationnariser le processus ܻ௧.

Le processus ARIMA est ainsi entièrement caractérisé par ses trois paramètres (‫݌‬, ݀, ‫)ݍ‬.

Ces modèles ont été appliqués notamment par Momani (2009) dans le cas de la Jordanie,
par Thabet et Thabet (1995) en référence à la Tunisie et par Mac Leod et al. (1997) pour la
modélisation des flux annuels de la rivière Saint Lawrence.

L’utilisation des modèles ARIMA - non saisonnier - pour la prévision des séries temporelles
stationnaires repose sur une méthodologie à trois étapes (Box et Jenkins, 1976).

― La première concerne la spécification du modèle et a pour but d’identifier les

paramètres ‫݌‬,݀ et ‫ ݍ‬de l’ARIMA à l’aide notamment de l’observation du graphe des
fonctions d’autocorrélation simple et partiellede la série ܻ௧étudiée.

― La deuxième étape consiste à estimer les paramètres (ߠ௜) et (߮௝) du modèle

(Equation 19’) au nombre de ‫ ݌‬+ ‫ݍ‬.

― Enfin, la troisième étape de la démarche concerne la validation du modèle. Elle

consiste à s’assurer que les résidus d’estimation du modèle, qui représente la partie

63
 du processus non expliquée par le modèle, constituent effectivement un bruit blanc
(c’est-à-dire un processus purement aléatoire qui ne contient plus d’informations
susceptible d’être utilisée pour la prévision).

Nous appliquons cette démarche aux séries chronologiques des températures et des
précipitations relevées par la station climatique d’Es-Sénia de la région d’Oran.

Les observations couvrent la période 1949-2011. Leur fréquence est annuelle pour les
températures et mensuelles pour les précipitations. La fréquence des précipitations est
mensuelle afin d’utiliser l’évapotranspiration potentielle qui est généralement donnée au
pas mensuel.

Une étape préliminaire a consisté à traiter les données manquantes. Pour cela, on a
remplacé toute donnée manquante d’un mois i par sa prévision calculée à l’aide d’une
régression linéaire sur le temps de la série mensuelle du mois i extraites de la série globale.

Les séries annuelles ont été calculées comme la moyenne des températures et des
précipitations mensuelles fournies par la station d’Es-Sénia.

3.1.2. LE MODELE STATISTIQUE DE PREVISION DES

VARIABLES CLIMATIQUES

3.1.2.1. Stationnarisation des séries climatiques

La stationnarisation de la série est l’étape préliminaire de la modélisation. Il s’agit

d’éliminer des séries climatiques toute tendance temporelle. Cela revient formellement à
déterminer l’ordre de différentiation ݀ à appliquer aux séries climatiques des températures
et des précipitations {ܻ௧} pour que les séries différenciée ‫ ܦ‬ௗ (ܻ௧) puissent être
considéréescomme stationnaires.5

Une première analyse statistique de l’évolution des températures révèle la présence

d’une tendance significative. Ainsi, la régression de la série des températures sur le temps :
ܶ݁݉ ‫݁ݎݑݐܽݎ݁݌‬௧ = ܽ + ܾ ∗ ‫ݐ‬+ ߝ௧ montre que le coefficient ܾ du temps est positif et
significatif (Cf. tableau 13).

5
Le processus ܻ௧ est stationnaire si son espérance mathématique est constante et si la covariance ܿ‫ܻ( ݒ݋‬௧
, ܻ௧ିఊ) ne dépend que de l’intervalle de temps ߛ (et non de ‫( )ݐ‬Desbois, 2005).

64
 Tableau 13 : Tendance temporelle des températures

VARIABLES Température Température

1949-2008 1975-2008

Time 0.0112*** 0.0425***

(2.977) (6.577)
Constant 17.07*** 15.66***
(129.1) (54.39)

Observations 60 34
R-squared 0.133 0.575
Le t de student est entre parenthèses
*** significatif au seuil de 1%, ** au seuil de 5%, * au seuil de 10%

Ce résultat est encore plus accentué lorsque l’estimation porte sur la période récente de
1975 à nos jours où le coefficient du temps est alors égal à 0.0425 et son t de student égal à
6.6.

Les précipitations présentent quant à elles une tendance globalement négative (-

0.135) sur l’ensemble de la période1949-2010 (Cf. tableau 14). Toutefois, sur la période
récente, l’évolution temporelle des précipitations tend à changer de signe (0.131) mais sans
pour autant que le coefficient de la tendance soit statistiquement significatif, son t de
student étant égal à 1.1.
Tableau 14 : Tendance temporelle des précipitations

VARIABLES Précipitations Précipitations

1949-2010 1975-2010

Time -0.135** 0.131

(-2.322) (1.136)
Constant 35.04*** 22.08***
(16.58) (4.185)

Observations 62 36
R-squared 0.082 0.037
Le t de student est entre parenthèses
*** significatif au seuil de 1%, ** au seuil de 5%, * au seuil de 10%

65
Ces résultats laissent penser que les deux séries possèdent une tendance temporelle. En
conséquence, on doit envisager de stationnariser successivement a) la série des
précipitations annuelles en la différentiant à l’ordre 1 afin de supprimer la tendance et b) la
série des températures mensuelles en la différenciant à l’ordre 1 et à l’ordre 12 afin de
supprimer la tendance et la saisonnalité. Le corrélogramme des autocorrélations simples
(figure 22) confirme que les deux séries climatiques ainsi différenciées sont stationnaires au
vu de la décroissance rapide des coefficients d’autocorrélation.

Nous concluons que les précipitations annuelles suivent un processus ARIMA (‫݌‬, 1, ‫ )ݍ‬et les
températures mensuelles un processus saisonnier SARIMA (‫’݌‬, 1, ‫ܲ(ݔ)’ݍ‬, 1, ܳ)ଵଶ.
Autocorrelations of DS12.TEMPERAT.
-0.60 -0.40 -0.20 0.00 0.20

0 10 20 30 40
Lag
Autocorrelations of D.PRECIPITATION
-0.60-0.40-0.200.00 0.20 0.40

0 10 20 30
Lag

Figure 22 : Corrélogramme des autocorrélations simples des températures

(figure du haut) et des précipitations (figure du bas)

3.1.2.2. Identification du modèle

Une fois réalisée la stationnarisation des séries annuelles brutes, on doit déterminer les
paramètres du modèle en identifiant l’ordre ‫݌‬,‫ݍ‬, ܲ et ܳ des deux polynômes retard du
processus ARIMA. Pour cela, on exploite la propriété des processus ARIMA suivant laquelle :

66
 ― pour les processus moyennes mobiles (MA) d’ordre ‫ݍ‬, les coefficients
d’autocorrélation simple ߩ(߬) s’annulent pout tout ߬ > ‫ݍ‬

― tandis que pour les processus autorégressifs (AR) d’ordre ‫݌‬, les coefficients
d’autocorrélation partielle‫ )߬(ݎ‬s’annulent pour tout ߬ > ‫݌‬.

On peut déduire des observations du corrélogramme des autocorrelations (figure 22 ci-

dessus) et des autocorrelations partielles (figure 23 ci-dessous) que ni un modèle MA pur ni
un modèle AR pur ne peuvent constituer des spécifications appropriées. En fait, les résultats
de plusieurs itérations de type identification-estimation-validation conforte l’hypothèse d’un
modèle mixte d’ajustement de type ARIMA (1,1,1) pour les précipitations et ARIMA
saisonnier (1, 1, 1)‫(ݔ‬1, 1, 1)ଵଶ pour les températures de la région d’Oran.
Partial autocorrelations of DS12.TEMP

0.40

0.20

0.00

-0.20

-0.40
0 10 20 30 40
Lag
95% Confidence bands [se = 1/sqrt(n)]
Partial autocorrelations of D.PRECIP.

0.40

0.20

0.00

-0.20

-0.40

-0.60

0 10 20 30
Lag
95% Confidence bands [se = 1/sqrt(n)]

Figure 23 : coefficients d’autocorrélation partielle des séries des températures

mensuelles (figure du haut) et des précipitations annuelles (figure du bas)

67
 3.1.2.3. Estimation du modèle

Le tableau 15 présente les résultats d’estimation du modèle des températures et de celui

des précipitations.

Les coefficients des termes moyenne mobile (L.MA et L.SMA) sont significatifs dans les deux
estimations tandis que ceux des termes autorégressifs (L.AR pour les précipitations et L.SAR
pour les températures) possèdent un degré de significativité légèrement plus faible,
notamment pour ce qui est de la composante autorégressive saisonnière des températures
(L.SAR).

Ces résultats d’estimation apparaissent ainsi acceptables dans l’ensemble.

Tableau 15 : Estimation des coefficients des modèles de précipitations et des

températures
Précipitations Température
VARIABLES ARIMA SARIMA
(1, 1, 1) (1,1,1)x(1,1,1)12

Composante non saisonnière

L.AR -0.259* 0.246***
(-1.672) (6.347)
L.MA -0.816*** -0.967***
(-7.108) (-76.30)
Composante saisonnière

L.SAR -0.0386
(-1.003)
L.SMA -0.946***
(-43.85)
Constant -0.0985 6.63e-05
(-0.540) (0.455)

Observations 61 707
Le t de student est entre parenthèses
*** significatif au seuil de 1%, ** au seuil de 5%, * au seuil de 10%

3.1.2.4. La validation du modèle.

Pour que le modèle soit valide et conduise à des prévisions optimales, nous devons
nous assurer que les résidus d’estimation qu’il fournit suivent un bruit blanc, c’est-à-dire un

68
processus dont on ne peut plus extraire d’information pouvant servir à la prévision. Pour
cela, nous avons appliqué le test d’hypothèse de bruit blanc de Bartlett pour les résidus
d’estimation des deux modèles. L’évolution de la statistique du test à l’intérieur de ses
limites supérieures et inférieures (Cf. figure 24) nous permet d’accepter l’hypothèse de bruit
blanc pour les résidus et de valider ainsi le modèle retenu tant pour les températures que
pour les précipitations.

Cumulative Periodogram White-Noise Test: Temperatures

1.00
0.80
0.60
0.40
0.20
0.00
0.00 0.10 0.20 0.30 0.40 0.50
Frequency
Bartlett's (B) statistic = 0.53 Prob > B = 0.9437

Cumulative Periodogram White-Noise Test: Precipitations

1.00
0.80
0.60
0.40
0.20
0.00
0.00 0.10 0.20 0.30 0.40 0.50
Frequency
Bartlett's (B) statistic = 0.40 Prob > B = 0.9970

Figure 24 : Test de bruit blanc des résidus d’estimation : validation des

modèles

3.1.3. LA SIMULATION DES MODELES : LES CHANGEMENTS

CLIMATIQUES DANS LA WILAYA D’ORAN

L’identification et l’estimation des deux modèles qui expliquent l’évolution des

températures et des précipitations nous permettent de projeter ces variables climatiques à
l’horizon 2050. Ces projections reposent sur l’hypothèse que le modèle estimé reste valide
sur l’ensemble de l’horizon de la projection.

Les projections des deux modèles sont présentées dans la figure 25 ci-dessous. Elles
prédisent ainsi une augmentation de la température de 0.8 degré entre les périodes

69
(moyenne 2000-2010) et 2050 ainsi qu’une réduction des précipitations de 5.9 mm en
moyenne annuelle sur la même période.

18.5
Projection des températures
16.5 17 17.5 18
1950

1960

1970

1980

1990

2000

2010

2020

2030

2040

2050
annee
Températures annuelles Prédictions
50
Projection des précipitations
20 30 1040

1950 1960 1970 1980 1990 2000 2010 2020 2030 2040 2050
annee
Précipitations annuelles Prédictions

Figure 25 : Projection des températures (figure du haut) et des précipitations

(figure du bas) dans la wilaya d’Oran– horizon 2050

Ces deux résultats sont dans l’ordre de grandeur des prévisions données par Hulme et al.
qui estiment une augmentation de la température en Afrique du Nord-Ouest en 2050 de
l’ordre de 1.5 degré mais comparativement à une période plus éloignée qui est la moyenne
de 1961–1990 (Hulme et al., 2001 p 155).
70
 3.2. LA MODELISATION CLIMATIQUE PAR LES PROCESSUS
PHYSIQUES

Comme on l’a souligné dans l’introduction de ce chapitre, la prévision des changements

climatiques est également abordée à l’aide de modèles basés sur les processus physiques qui
impactent à la fois directement ou par le biais de multiples interactions les différents
compartiments du système climatique. Cette section est descriptive. Son objectif est double:

― Comme la prévision des changements climatiques nécessite préalablement une

modélisation du système climatique, un premier objectif de cette section est de
présenter les soubassements les plus importants de la modélisation climatique basée
sur les processus physiques. On se propose alors d’étudier les modèles climatiques
simples situés à la base de la pyramide des modèles climatiques. Ce choix de modèles
simples est dictée par la grande complexité des modèles climatiques comme les
modèles de circulation globale qui dépassent les objectifs de ce travail mais aussi par
le fait que les modèles simples mettent mieux en évidence l’essentiel des processus
se déroulant dans les composantes du système climatique.

― Le deuxième objectif de cette section est de voir comment ce cadre de modélisation

peut être utilisé pour analyser les changements climatiques issus du forçage
climatique comme l’effet de serre.

C’est pourquoi, après avoir donné une caractérisation du système climatique, nous
commencerons :

― par étudier les modèles simples, à savoir les modèles radiatifs ‘Energy Based Model
(EBM)’ en présentant d’abord le modèle sans dimension et ensuite le modèle
intégrant une dimension verticale, avant :

― d’aborder les modèles radiatifs-convectifs qui intègrent non seulement les échanges
de radiations entre la surface terrestre et les différentes couches de l’atmosphère
mais aussi les processus de convection. Ce cadre nous permettra ensuite :

― d’analyser le processus de l’effet de serre ainsi que les conséquences du forçage

climatique avant :

71
 ― de donner un aperçu succinct sur les Modèles de circulation globale (GCM).

3.2.1. LE SYSTEME CLIMATIQUE : UNE CARACTERISATION

Le système climatique est un système complexe composé de plusieurs compartiments

que nous détaillerons ci-dessous et au sein desquels se déroulent et interagissent des
processus physiques, chimiques, thermodynamiques, etc. et dont le résultat est un régime
climatique caractérisé par ses températures, ses précipitations, son humidité, sa pression
atmosphérique, la fréquence des évènements extrêmes etc.

Ainsi, selon Kaper et Engler (2013, p.1) ‘the planet's average temperature is influenced
by many interacting systems which, together, we call the climate system’. Celui-ci est
composé de plusieurs composantes qu’on détaille ci-dessous.

3.2.1.1. Les composantes du système climatique

Le système climatique est schématiquement composé de cinq composantes: l’atmosphère;

l’hydrosphère ; la cryosphère; la lithosphère; et la biosphère.

Figure 26 : Une vue schématique du système climatique de la Terre.

Source: Kaper et Engler (2013, page 2)

72
 3.2.1.1.1. L’hydrosphère.

Elle est constituée de toute l’eau se trouvant sur la terre provenant notamment des
océans, des mers, des lacs ainsi que toutes les zones humides. Plus de 95% de l’eau se
trouve dans les océans alors que le reste se répartit entre les lacs, les rivières, les nappes
souterraines, l’humidité du sol et l’humidité de l’atmosphère. Les processus opérant dans
l’hydrosphère sont généralement plus lents que ceux dans l’atmosphère. Par exemple, la
résidence de l’eau dans les océans est de 37000 ans alors que cette présence n’est que
d’une dizaine de jours pour la vapeur d’eau dans l’atmosphère (Hartmann, 1994).

Les océans jouent un rôle particulièrement important dans la régulation du système

climatique notamment de par leur capacité à transporter des quantités significatives
d’énergie autour du globe ainsi qu’à travers les échanges de gaz et de particules qu’ils
provoquent à l’interface atmosphère-océan en absorbant et dissolvant le dioxyde de
carbone dans l’eau et en produisant des molécules d’oxygène (Hartmann, 1994).

3.2.1.1.2. La cryosphère.

Celle-ci comprend les calottes glaciaires, des glaciers et les banquises. La résidence
(sous forme de glace ou neige) varie de quelques saisons à un million d’années. La
cryosphère représente le plus grand réservoir d'eau douce sur terre. Cette sphère se
caractérise par un albédo6 élevé conduisant à une forte réflexion des rayons solaires ainsi
par une faible diffusion thermique, notamment plus faible que celle de l’air. Cette faible
capacité à transférer rapidement la chaleur a pour conséquence de découpler cette sphère
des interactions avec l’atmosphère (Cornell et al., 2012)

3.2.1.1.3. La lithosphère.

Elle représente la couche extérieure rigide de la terre. Elle est constituée des surfaces
des continents et des fonds marins bien que ce soit essentiellement la première
composante (surface des continents) qui soit significative dans les études du système
climatique et qui représente 30% de la surface terrestre. Les processus qui s’y déroulent
(comme l’érosion, la tectonique ou les formations géologiques) opèrent généralement dans
le temps long avec quelques exceptions comme les éruptions volcaniques ou les
tremblements de terre (Shelton, 2009). Cependant, la topographie du sol est un déterminant
6
Capacité à réfléchir les radiations solaires.

73
principal du climat régional et local. C’est précisément cette topographie qui justifie, comme
on le verra ci-dessus (3ème section) la nécessité de réduire à l’échelle locale les prévisions des
modèles globaux de circulation globale.

3.2.1.1.4. La biosphère.

Elle regroupe toute la faune et la flore terrestre et marine. Le couvert végétale ainsi
que certaines faunes influencent l’albédo, l’évapotranspiraton, l’humidité du sol tout autant
que le cycle du carbone dans l’atmosphère les océans ou la surface de la terre.7

3.2.1.1.5. Atmosphère

Elle est représentée par l’enveloppe de gaz qui entoure la planète. Elle est
principalement composée de molécules d’azote (N2 ; 78,08%) d’oxygène (O2 ; 20.95%),
d’argon (Ar 0.93%). Les gaz atmosphériques qui sont importants pour l’absorption et
l’émission de radiation représentent moins de 1% de la masse atmosphérique : vapeur
d’eau, traces de dioxyde de carbone (CO2), ozone (O3), méthane (CH4), monoxyde de
carbone (CO) etc. (Hartmann, 1994).

Les processus physiques et chimiques (notamment le transfert de chaleur, les

variations de températures, le transport sur des longues distances de l’humidité, des
poussières et des aérosols) qui s’y déroulent sont relativement rapides et se réalisent parfois
sur l’échelle de temps des heures ou des jours; ce qui rend l’atmosphère profondément
instable.8

La composante atmosphérique joue un rôle essentiel dans le système climatique. Elle

protège en effet la vie et la biosphère notamment en absorbant les rayons solaires

7
‘The presence or absence of terrestrial vegetation or structural or functional vegetation changes can
influence surface albedo, evaporation, soil moisture, runoff, and the carbon dioxide balance in the
atmosphere, oceans, and on the land. Human interaction with the climate system through
agriculture and urbanization are additional factors’ (Shelton, 2009, page 29).
Il est aussi établi aujourd’hui que le phytoplancton par exemple absorbe une partie du dioxyde de
carbone retenu dans les océans qui passe ainsi dans toute la chaine alimentaire des mers et océans
(Kaper et al., 2013)
8
‘The atmospheric response time is on the order of days to weeks and is due to its relatively large
compressibility and low specific heat and density which make the atmosphere fluid and unstable’
(Peixoto and Oort, 1992, p 14).

74
ultraviolets, en réchauffant la surface terrestre par la rétention de la chaleur grâce à l’effet
naturel de serre qu’elle crée.

Ainsi, le système climatique S est la conjonction des sous-systèmes constitués par

l’atmosphère A, la lithosphère L, l’hydrosphère H, la cryosphère C et la biosphère B :

ܵ = ‫ܤ⋃ܥ⋃ܪ⋃ܮ⋃ܣ‬

En termes thermodynamiques, le système S peut être considéré comme fermé (dans

le sens où sa frontière est imperméable à un échange de matière) alors que les sous-
systèmes qui le composent sont ouverts et sont connectés à travers les flux d’énergie et de
matières qu’ils s’échangent (Peixoto and Oort, 1992).

Ce système climatique puise son énergie des radiations solaires (et évolue par sa propre
dynamique interne à travers la circulation atmosphérique et celles des océans (courants
marins). Toutefois, des facteurs externes (appelés facteurs de forçage) peuvent influencer la
dynamique du système. Ces facteurs externes peuvent être naturels comme des éruptions
volcaniques, une variation des radiations solaires, ou encore des facteurs humains comme
l’émission excessive de gaz à effet de serre, déforestations, érosion des sols (appelés
facteurs anthropogéniques) qui impactent l’évolution du climat.

3.2.1.2. L’interdépendance des composantes du système climatique

Ces différents compartiments du système climatique ne sont cependant pas

indépendants les uns des autres. La modélisation climatique consiste justement à formaliser
mathématiquement les différents flux d’échange qui ont lieu entre les différentes
composantes du système climatique. Il s’agit cependant d’interrelations qui peuvent être
très complexes.

Cette complexité peut être visualisée à l’aide du diagramme ci-dessous proposé par Robock
(1985) et qui généralise celui établi par Kellogg et Schneider (1974).

75
 Figure 27 : La complexité des interdépendances du système climatique
Source : Robock (1985)

Ce diagramme montre la multitude des interactions complexes dans le système

climatique qui affectent la température et les précipitations à la surface de la terre.

Les exemples les plus souvent cités de cette interdépendance sont relatifs au cycle de
l’eau ainsi qu’aux échanges radiatifs entre la terre et les différentes couches de l’atmosphère
dont nous donnons quelques précisions ci-dessous.

3.2.1.2.1. L’interdépendance dans les composantes du système climatique en

termes de cycle de l’eau

Le cycle hydrologique ne peut pas en effet être totalement appréhendé sans référence
à l’ensemble des composantes du système climatique globale. Nous verrons dans le
quatrième chapitre un premier aspect de cette interdépendance en termes d’offre
d’évapotranspiration (issu de l’humidité (soil-moisture) de la surface terrestre) et de
demande d’évapotranspiration résultant de la composante atmosphérique. Plus
généralement, les flux sortant de la surface terrestre (évaporation et transpiration)
constituent les flux d’eau entrant dans l’atmosphère. Ainsi, on peut écrire (Shelton, p 50):

ௗௌ೟
ௗ௧
= − ܴௌ − ܵ௦௨௕ + (ܲ − ‫)ܶܧ‬ Équation 20

76
où ܵ௧ est la quantité d’eau stocké dans la branche terrestre, ܴௌ et ܵௌ௨௕ le ruissellement de
surface (surface run-off) et souterrain (subsurface run-off), ܲ les précipitations provenant de
l’atmosphère et ‫ ܶܧ‬l’évaporation des surfaces d’eau ainsi que la transpiration du couvert
végétal.

De même, du côté de la branche atmosphérique, on peut écrire l’équation:

ௗௐ ೟
ௗ௧
= − ܴ஺ − (ܲ − ‫)ܶܧ‬ Équation21

Où ܹ ௧ est la quantité d’humidité emmagasinée dans l’atmosphère, ܴ஺ la quantité de vapeur

d’eau exporté par la circulation atmosphèrique, et ܲ les précipitations sortant de
l’atmoshère et ‫ ܶܧ‬l’évapotranspiration issue de la terre vers l’atmosphère.

Le terme (ܲ − ‫ )ܶܧ‬commun aux deux équations (20) et (21) décrit justement

l’interaction entre les branches terrestres et atmosphériques du système climatique.

3.2.1.2.2. L’interdépendance dans les composantes du système climatique en

termes d’échange d’énergie

L’interdépendance sol-atmosphère peut également être décrite en termes d’échange

radiatif entre la terre et les différentes couches de l’atmosphère. La figure suivante montre
comment l’interface entre le sol et les différentes couches de l’atmosphère est le lieu
d’échange des radiations issues du soleil.

77
 A. Radiations solaires

D. Emission

C. Absorption
B. Réflexion du
rayonnement
E. Effet
de serre

Figure 28 : Echanges radiatifs ‘système terrestre-atmosphère’ (enࢃ ࢓ ି૛).

Source :Kiehl and Trenberth (1997, fig. 7).
NB: Précisions sur les processus rajoutées en rouge.

Ces échanges radiatifs entre ces différentes composantes du système climatique

peuvent être écrits sous forme de balance énergétique sol-atmosphère (tableau 16) dans la
même forme que la balance hydrologique décrite ci-dessus.
Tableau 16 : Bilan des échanges radiatifs ‘système terrestre-atmosphère’ (en
ࢃ ࢓ ି૛).

Radiations absorbées provenant de

Total Radiation émises

Surface 1ère couche
Soleil radiations
terrestre atm.
absorbées

Surface 30+78+24+390
168+30 / 324 522
terrestre (350+40)=522

Couche atm. 77+165+30+324 =

77+67 24+78+350 / 596
inférieure 596

Total 342 452 324 1118 1118

Source : élaboré à partir de la figure 27 ci-dessus

Ces deux exemples d’interaction montrent la complexité des processus intervenant

dans l’évolution du système climatique. Mais même plus, cette présentation de la relation

78
entre la surface terrestre-atmosphère, à travers par exemple le cycle hydrologique, apparaît
elle-même trop générale dans l’étude et les prévisions. En effet, la surface terrestre est
hétérogène de plusieurs points de vue : albédo, couvert végétal (canopie) par exemple qui
ont une incidence sur l’évapotranspiration et donc sur l’évolution des variables climatiques.
Par ailleurs, il existe d’autres cycles que le cycle hydrologique ou celui des échanges radiatifs.
Il en est ainsi par exemple du cycle du carbone qui est à l’origine de l’effet de serre que nous
décrirons dans la suite. Prévoir cette évolution pour évaluer le changement climatique est
ainsi complexe et nécessite le recours à la modélisation climatique. C’est l’objectif des
modèles climatiques, parmi lesquels les modèles de circulation globale sont situés au
sommet de la pyramide des modèles, de prendre en compte et de formaliser la complexité
des interactions entre les différentes composantes du système climatique. La partie qui suit
est consacré à une présentation simplifiée des fondements de ces modèles.

3.2.2. UNE MODÈLISATION DE BASE DU SYSTEME

CLIMATIQUE: LES MODÈLES BASÉS SUR L’ENERGIE
(EBM)

Prédire le changement climatique dans l’optique physique nécessite préalablement

une modélisation des processus climatiques qui ont une incidence sur la température ou les
précipitations. Cependant, la complexité de ces processus physiques signifie qu’une
hiérarchie de ces modèles est nécessaire (Trenberth, 1992 :16). Les modèles les plus simples
sont les Energy Based Models (EBM) alors qu’au sommet de la hiérarchie se trouvent les
Global Coupled Models (GCM) qui sont des modèles pluridimensionnels (latitude, longitude,
altitude) décrivant les interrelations de l’ensemble des composantes du système climatique.

Toutefois, dans notre travail, nous nous limitons à présenter les modèles climatiques
simples pour les raisons suivantes:

― Les modèles simples ont l’avantage de mettre plus clairement en évidence les
principaux processus se déroulant dans les composantes du système climatique
comme l’effet de serre, la structure du gradient thermique de l’atmosphère ou
certains processus importants de feedbacks (nuages, vapeur d’eau,…). Les idées de
base restent les même que dans les modèles plus complexes (McGuffie et
Henderson-Sellers, 2005 p. 124).

79
 ― La formalisation dans les modèles simples est plus aisée et se prête facilement à des
analyses de scénarios et de sensibilité.

Pour ces raisons, on commencera par étudier (i) les modèles simples, à savoir les
modèles radiatifs ‘Energy Based Model (EBM)’ en présentant d’abord le modèle sans
dimension et ensuite le modèle intégrant une dimension verticale, puis (ii) par aborder les
modèles radiatifs-convectifs qui intègrent non seulement les échanges de radiations entre la
surface terrestre et les différentes couches de l’atmosphère mais aussi les processus de
convection. Dans une troisième partie, on utilisera ce cadre de modélisation simple pour
formaliser les changements climatiques et notamment l’effet de serre avant de donner enfin
un aperçu général sur les Modèles de Circulation Globale (GCM).

3.2.2.1. Rappels de quelques caractéristiques du rayonnement

Comme l’énergie de la planète est fournie par le rayonnement solaire et joue un rôle
central dans l’évolution des variables climatiques, nous rappelons ci-dessous certaines
caractéristiques importantes du rayonnement qui seront utilisées dans la suite :

― Tout corps porté à une température ܶ libère une énergie, en émettant des
radiations. L’intensité de cette énergie, mesurée en Watt par m2, est fonction de la
température du corps. Plus la température est élevée et plus l’émission de radiation
est importante. Pour un corps qui absorbent toutes les radiations (blackbody), les
radiations émises ܴ par ce corps sont données par la loi de Stephan-Boltzmann :

ܴ = ߪܶସ

où ߪ est la constante de Stephan-Boltzmann égale à 5.67*10-8ܹ ݉ ିଶ‫ି ܭ‬ସ (Neelin,

2010 p. 42).

Dans le cas où le corps n’absorbe pas toutes les radiations qu’il reçoit
(greybody), les radiations émises sont limitées par un facteur d’émissivité ߝ compris
entre 0 et 1 qui dépend de la nature du corps tel que:

ܴ = ߝߪܶସ

L’émissivité de la surface terrestre par exemple est proche de 1. Celle des nuages
serait de l’ordre de 0.8.

80
 ― Toute l’énergie transférée par le soleil n’est pas absorbée. Une partie du
rayonnement incident est réfléchie par la planète. L’albédo est la fraction du
rayonnement solaire qui est réfléchie par la Terre ou la glace dans l’antarctique.
Comme l’énergie transférée par le soleil est de 342 ܹ ݉ ିଶet que 107 ܹ ݉ ିଶ sont
réfléchie par la terre (cf. figure 28 et tableau 16), le coefficient d’albédo de la Terre
est approximativement égale à 0.31.

― La longueur d’onde ߣ∗ autour de laquelle le rayonnement émis par un corps est le

plus intense dépend de la température du corps suivant la loi de Wien (Neelin,
2010) :

2897
ߣ∗ =
ܶ

Avec ߣ∗ en microns (10ି଺݉ ) et ܶ en degré Kelvin.9

Une des conséquences importantes de cette loi est la suivante:

o Le soleil avec une température à la surface de l’ordre de 6000°K tendra à

émettre surtout des rayons à ondes courtes proches de 0.5
ଶ଼ଽ଻
microns ቀ~ ଺଴଴଴ suivant la loi de Wienቁ. Environ 45% des radiations solaires

sont dans le domaine du visible (longueur d’onde comprise entre 0.4 et 0.75
microns) et environ 10% de ces radiations sont du domaine des ultraviolets.10

o En revanche, la Terre avec une température de surface de l’ordre de 20+273K)

émettra des radiations à plus grande longueur d’onde (proche de 10 microns
ଶ଼ଽ଻
ቀ≈ ቁ se situant dans le spectre de l’infrarouge. Ainsi, la planète reçoit des
ଶଽଷ

radiations dans l’ultraviolet mais émet des rayons infrarouges (figure 29).

9
Température (Kelvin)=température (Celsius)+ 273.
10
Les rayons qui sont dans le domaine du visible sont ceux dont la longueur d’onde est comprise
entre 0.4 et 0.7 microns. Les rayons ultraviolets ont une longueur d’ondes inférieure à 0.4 microns et
les infrarouges ont une longueur d’onde supérieure à 0.7 microns.

81
 Intensité (normalisé) des
radiations

Rayonnement émis par le Soleil Rayonnement émis par la Terre

6000K 293K

0.15 0.2 0.3 0.5 1 1.5 2 3 10 15 20 30 100

Longueur d’onde (échelle logarithmique)

Source: Goody & Yung (1995)

Figure 29 : Comparaison de longueur d’ondes entre émissions solaires et

terrestres

3.2.2.2. Présentation du modèle EBM sans dimension

3.2.2.2.1. La structure du modèle

Les modèles de type Energy Balance Models (EBM) étudient le système climatique en
première approximation à travers son équilibre global en termes d’énergie. Ces modèles
sont parmi les plus simples et ont été parmi les premiers modèles utilisés pour évaluer le
changement climatique.

Le modèle EBM sans dimension (parfois appelé point-model of the radiation balance
(Stocker, 2011)) simplifie beaucoup le système climatique en faisant abstraction notamment
des différences dans la composition de l’atmosphère afin de pouvoir représenter l’état du
système climatique par une seule variable qui est la température globale moyenne sur la
surface terrestre et de déterminer l’évolution de celle-ci au cours du temps.

Les hypothèses simplificatrices de ces modèles sont notamment:

― H1 : La Terre réfléchit uniformément une partie du rayonnement solaire reçu avec un

albédo égal à ߙ

― H2 : La planète Terre dans sa globalité est un corps gris avec une émissivité égale à ߝ.

La représentation schématique du système climatique par ces modèles se présente alors

comme suit :

82
 Rayons solaires

Emissions de radiations terrestres

Source: Stoker(2011, p 35)

Figure 30 : Représentation schématique du système climatique par les

modèles EBM sans dimension

Le principe de ces modèles est de déterminer les changements climatiques sur la

base de la balance radiative de la planète : en recevant un flux d’énergie provenant des
radiations solaires à ondes courtes, la Terre émet en retour des radiations à grandes ondes
infrarouges pour rétablir l’équilibre radiatif. Comme l’émission électromagnétique dépend
de la température d’après la loi de Stephan-Boltzmann, la température de la planète va
s’ajuster jusque ce que l’équilibre radiatif soit rétablit. Ainsi, la température dans ces
modèles représente la variable d’ajustement du système climatique.

On décrit formellement ci-dessous ce processus à travers la balance radiative de la

Terre puis la détermination de sa température d’équilibre.

3.2.2.2.2. La balance radiative

Entre deux dates ‫ݐ‬ଵ = ‫ ݐ‬et ‫ݐ‬ଶ = ‫ݐ‬+ ∆‫ݐ‬, le bilan radiatif (le flux de radiations nets)
sera (࣭ଵ‫ܧ‬௜௡ − ࣭ଶ‫ܧ‬௢௨௧)∆‫݁ ݉݅ݐ‬

où:

― ‫ܧ‬௜௡ représente les radiations reçus par la terre du soleil;

― ࣭ଵ représente la surface de la terre exposée aux radiations solaires ;

― ‫ܧ‬௢௨௧ représente les radiations émise par la terre;

― ࣭ଶ représente la surface de la terre source d’émission radiative.

― ∆‫݁ ݉݅ݐ‬l’intervalle de temps considéré.

83
 L’application du principe de la conservation d’énergie permet alors de prédire, qu’à
l’équilibre, les radiations émises par la terre seront égales à l’énergie solaire reçue et donc
que les radiations nettes seront nulles. Ainsi, en cas d’afflux d’énergie solaire, l’équilibre
initiale est perturbé mais sera rétabli par un réajustement de la température. Celui-ci
donnera lieu à une variation de température ∆ܶ entre les deux dates, la température
passant de ܶଵ = ܶ(‫ݐ‬ଵ) à ܶଶ = ܶ(‫ݐ‬ଶ) avec ∆ܶ = ܶଵ − ܶଶ permettant d’atteindre un nouvel
équilibre radiatif de la planète.

Equilibre radiatif initial Equilibre radiatif final

൫‫ܧ‬௜૚௡ ; ‫ܧ‬௢௨௧
૚
൯ Flux radiatif ൫‫ܧ‬௜૛௡ ; ‫ܧ‬௢௨௧
૛
൯

࣭ଵ‫ܧ‬௜૚௡ − ࣭ଶ‫ܧ‬௢௨௧
૚
= 0 Variation de température ࣭ଵ‫ܧ‬௜૛௡ − ࣭ଶ‫ܧ‬௢௨௧
૛
= 0

a. La détermination de l’absorption E୧୬

La seule énergie reçue par le système est celle provenant des radiations solaires,
celles-ci étant constituées, comme rappelé ci-dessus, de rayonnement électromagnétique à
ondes courtes.

Soit ܵ଴ la constante solaire qui exprime la quantité d’énergie que reçoit une surface
de 1 ݉ ଶ située à une distance correspondante à la distance moyenne entre la terre et le
soleil et exposée perpendiculairement aux rayons du Soleil. Sa valeur est de 1.368 Watts/m-2
et peut être considérée comme approximativement constante avec toutefois quelques
réserves.11

Alors, la quantité d’énergie reçue par toute la surface de la terre sera : ࣭ଵ. ܵ଴ où ࣭ଵ
est la surface terrestre exposée verticalement aux rayons solaires et ܵ଴ la constante solaire.
La surface ࣭ଵ étant la surface d’incidence, elle correspond sur la figure 30 ci-dessus à la
surface du disque ܴ qui est égale à:

11
Neelin souligne ainsi que ‘In the past it was referred to as the “solar constant,” although it is now
known to change by a few Wm−2 over the course of the 11-year solar cycle, and to vary even on
weekly time scales. These short-term variations have little climate impact because of ocean heat
storage and large natural climate variability (Neelin, 2010; p 44)

84
 ࣭ଵ = ܴ = ߨܴଶ.

où ܴ est le rayon de la terre.

Aussi l’ensemble de l’énergie émise par le soleil et entrant directement dans le

système terrestre sous forme de radiation à ondes courtes est ߨܴଶܵ଴.

Cependant, comme le montre la figure 28 reflétée par l’hypothèse H1, seule une
partie de ce rayonnement solaire est absorbé par le système terrestre, le reste étant réfléchi
dans l’atmosphère. Soit ߙ le coeffcieient d’albédo du système terrestre.

Alors la quantité d’énergie absorbée par la terre sera :

࣭ଵ‫ܧ‬௜௡ = (1 − ߙ)ߨܴଶܵ଴ Équation 22

b. La détermination de l’émission E୭୳୲

Par l’hypothèse H2, on suppose que la Terre se comporte comme un corps gris
(greybody) d’émissivité ߝ. Suivant la loi de Stefan-Boltzmann rappelée ci-dessus, si ܶ est la
température sur la surface terrestre, alors la quantité d’énergie émise par 1 m2 de cette
surface sera :

‫ܧ‬௢௨௧ = ߝߪܶସ

où ߪ est la constante de Stefan-Boltzmann.

D’un autre côté, d’après l’hypothèse H1, le système terrestre est pris dans sa
globalité en faisant abstraction des différences dans la composition de l’atmosphère et dans
la topographie de la surface terrestre. Aussi l’émission radiative par la surface terrestre est
supposée distribuée uniformément sur toute la surface du globe de sorte que la surface
d’émission est égale à la surface du globe terrestre: ࣭ଶ = 4ߨܴଶ, ܴ étant le rayon de la terre.

Par conséquent, l’énergie émise par la terre sera égale à:

࣭ଶ‫ܧ‬௢௨௧ = (4ߨܴଶ)ߝߪܶସ Équation 23

85
 3.2.2.2.3. L’équilibre radiatif des modèles EBM

A l’équilibre, d’après le principe de la conservation de l’énergie, les quantités

d’énergie absorbées par le système terrestre et restituées vers l’atmosphère sont égales
࣭ଵ‫ܧ‬௜௡ = ࣭ଶ‫ܧ‬௢௨௧.

D’après les équations (22) et (23), on peut écrire:

ߨܴଶ(1 − ߙ)ܵ଴ = 4ߨܴଶߝߪܶସ

On obtient alors la température d’équilibre du modèle EBM:

ଵൗ
∗ (ଵିఈ)ௌబ ସ
ܶ = ቀ ସఌఙ
ቁ Équation 24

Ainsi, la température du système terrestre dépend des radiations solaires incidentes (ܵ଴), de
la fraction de celles-ci qui est absorbée (ߝ) et celle qui est réfléchie par la planète (ߙ).

3.2.2.2.4. La validation du modèle EBM

a. Une simulation de la température d’équilibre.

Quelle est le degré de réalisme de ce modèle ? Pour répondre à cette question, on a

simulé l’évolution de la température donnée par l’équation (24) en remplaçant les
paramètres de cette équation par leur valeur généralement retenue.

A cet effet, les résultats basés sur les observations satellitaires de la surface terrestre
fournissent une valeur moyenne de l’albédo de la terre ߙ = 0.3 (Stocker, 2011 :36).

En remplaçant dans cette équation d’équilibre la constante de Stefan-Boltzmann et la

constante solaire par leur valeur respective (ߪ = 5.67. 10ି଼ܹ . ݉ ିଶ‫ି ܭ‬ସ et ܵ଴ =
1367ܹ ݉ ିଶ), on peut tracer une courbe reliant la température atmosphérique d’équilibre
(terre et atmosphère formant une seule couche dans ce modèle) à l’émissivité de radiation
de la terre ߝ sachant que cette dernière est comprise entre 0.8 et 1; la valeur de 1
correspondante au cas où le système est considéré comme un corps noir. La figure 31 ci-
dessous présente cette simulation.

86
 475
450
Température en degré Kelvin 425
400
375
350
325
300
275
250
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Valeurs de l'emissivité de la Terre

Figure 31 : Simulation de la température terrestre à l’aide d’un EBM sans

dimension

b. Les limites du modèle

On voit que les résultats de ce modèle simplifié ne semblent pas raisonnables dans le
domaine de vraisemblance du coefficient d’émissivité– comprises entre 0.8 et 1 - car ils
prédisent des températures moyennes aux environs de -4 et -19 degrés Celsius.

Cette prédiction irréaliste du modèle a conduit certain auteurs à rejeter le modèle

EBM sans dimension du fait de l’importance de son erreur d’estimation. En fait, en
considérant le système terrestre comme un ensemble, on peut considérer que la
température prédite par le modèle est celle de la moyenne du système terrestre dans sa
globalité (terre et atmosphère) et non pas celle de la surface terrestre particulièrement.
C’est en tout cas cette interprétation qui est proposée par Stocker (2011) et qui a conduit
cet auteur à considérer que la température d’équilibre du modèle EBM correspond à une
altitude moyenne qu’il situe approximativement à 5.6 kms.

Mais plus spécifiquement, cette différence de température de 34° environ (pour un

paramètre d’émissivité égal à 1) est surtout dû au fait que le modèle est trop simple et ne
prend pas en compte notamment deux aspects essentiels du système climatique :

― Le premier aspect est la dimension verticale de l’atmosphère. La non prise en compte

de celle-ci par le fait de considérer que la surface et l’atmosphère forment un

87
 système globale - ne permet pas de rendre compte de deux processus climatiques
importants:

o l’effet de serre naturel de l’atmosphère causé par la vapeur d’eau et le dioxyde

de carbone contenus dans les différentes couches atmosphériques et qui ne
peut pas être pris en compte dans un modèle qui considère le système
climatique dans sa globalité.

o Le gradient thermique qui différencie la température avec l’altitude. En effet, la

température dans l’atmosphère n’est pas uniforme, l’observation ayant permis
de déterminer une relation fortement non linéaire entre la température et
l’altitude (figure 31).

Figure 32 : Profil du gradient thermique de l’atmosphère

Source: Manabe et al. 1967

― Le deuxième aspect non pris en compte est relatif aux formes supplémentaires
d’échanges d’énergie qui se déroulent entre la surface terrestre et l’atmosphère. En
effet, les transferts radiatifs sont les seules formes d’échange énergétique pris en
compte par les modèles EBM. Or, comme le montre la figure 28, d’autres formes de
transfert sous forme de chaleur sensible et latente ont lieu et ont pour conséquence
d’influencer, par des phénomènes de convection, le gradient de température. La
prise en compte de ces processus de convection pour rendre compte du gradient

88
 thermique verticale a donné naissance aux modèles radiatifs-convectifs (Manabe et
al., 1964, 1967, 1981 ; Ramanatha et Coakley, 1978) qui sont considérés comme les
modèles précurseurs des modèles de circulation globale.

L’intégration de ces deux aspects dans la modélisation climatique – l’effet de serre et le

gradient thermique - que nous étudierons ci-dessous permettra de donner plus de réalisme
aux prédictions de températures terrestres et du gradient thermique. Pour cela, il est
nécessaire d’intégrer une structure verticale au modèle EBM à travers l’introduction de une
ou plusieurs couches atmosphériques qui vont induire des échanges énergétiques à la fois
entre elles et avec la surface de la terre.

3.2.2.3. L’intégration de la dimension verticale dans un modèle EBM: le

modèle de Neulin (2010) et Stocker (2011) à une dimension

Nous nous inspirons pour cela de la présentation de Neullin (2010) et de Stocker (2011).
A cet effet:

― On présentera d’abord le cas simple d’un système climatique à une seule couche
atmosphérique. Celui-ci, malgré sa simplification, nous permettra de mettre en
évidence l’effet de serre qu’on tentera de simuler sur la base d’hypothèses sur les
paramètres du modèle.

― Nous adaptons ensuite ce modèle de Neullin et de Stocker en intégrant plusieurs

couches atmosphérique dans le système climatique (multilayers models). Tout en se
restreignant à un système à deux couches atmosphériques seulement, on mettra en
évidence les propriétés du gradient thermique vertical impliquées par ces modèles.

― Enfin, on procédera à une simulation de ce modèle qui nous permettra de faire

ressortir le faible réalisme du gradient thermique qu’il implique et qui a justifié
comme nous l’avons souligné précédemment le prolongement de ces modèles par la
prise en compte des processus de convection.

3.2.2.3.1. Structure d’un modèle EBM à dimension verticale : les hypothèses

En suivant Neullin (2010) et Stocker (2011), on adopte, pour la présentation de la

structure générale d’un modèle climatique avec une seule couche atmosphérique, les
hypothèses simplificatrices suivantes :

89
 ― H1. Opacité : Une partie des radiations atteignant la surface de la terre sont
réfléchies. L’albédo de la surface terrestre est ߙ ;

― H2. Absorption des radiations solaire par l’atmosphère : Une partie des radiations
provenant du soleil est absorbée par l’atmosphère (couche nuageuse) avec un
coefficient d’absorptivité égal à ܽଵ ;

― H3. Emissivité des radiations par la surface terrestre: On suppose que la surface
terrestre a les caractéristiques d’un corps noir (blackbody) avec un paramètre
d’émissivité égal donc à 1 ;

― H4. Emissivité de l’atmosphère. La couche atmosphérique est de type corps gris

(greybody) pour les rayons infrarouges émises par la terre avec une émissivité égale à
ߝଵ.

On désigne par ܶ௦et ܶଵ les températures respectivement à la surface de la terre et dans

la couche de l’atmosphère.12

3.2.2.3.2. L’équilibre radiatif du modèle et la formulation mathématique de

l’effet de serre

a. L’équilibre radiatif

La figure suivante représente les échanges thermiques ayant lieu entre la surface de
la terre et la couche nuageuse de l’atmosphère terrestre :

ࡿ૙
૝
૝
ࢿ૚࣌ࢀ૚

Couche nuageuse ࢿ૚࣌ࢀ૝

૚

࣌ࢀ૝ࡿ
surface terrestre
Figure 33 : Structure du modèle EBM à une couche atmosphérique

12
On retient les mêmes notations que précédemment, en l’occurrence ߙ pour l’albédo du système
terrestre et ܵ଴ et ߪ pour la constante solaire et la constante de Stephan-Boltzmann.

90
 La surface terrestre. Une partie de la lumière provenant du soleil (rayonnement à
ondes courtes) est absorbée par la terre. Elle correspond au total des radiations solaires
(ߨܴଶܵ଴) diminuée de la partie ܽଵ de ces rayons absorbés par la couche atmosphérique (H2)
et diminué aussi de la partie ߙ de ce rayonnement solaire réfléchi par la terre (H1), soit :
ߨܴଶܵ଴(1 − ܽଵ)(1 − ߙ).

La terre reçoit également les rayons infrarouges émis par la couche atmosphérique
basse (H4), soit : 4ߨܴଶߝଵߪܶଵସ.

Ce transfert de chaleur vers la surface de la terre doit être contrebalancé par une
émission de radiations infrarouges de la terre vers l’atmosphère ߨܴଶߪܶௌସ suivant le principe
de la conservation d’énergie. D’où la première ligne du tableau 17 ci-dessous qui constitue
la balance énergétique de la terre.

La couche atmosphérique. Celle-ci absorbe une partie des radiations solaires

ܽଵߨܴଶܵ଴ (H2) ainsi qu’une fraction ߝଵ des radiations émises par la surface terrestre
ߝଵ(4ߨܴଶ)ߪܶௌସ (H4).

Elle irradie à son tour la surface de la terre ainsi que l’espace

2(4ߨܴଶ)ߝଵߪܶଵସ (figure 33 et ligne 2 du tableau 17).

La température à la surface terrestre ܶௌ ainsi que dans la couche de

l’atmosphère ܶଵ s’ajustent de façon à ce que les radiations émises (déterminées par la loi de
Stephan-Boltzmann) compensent l’absorption du rayonnement reçu (dernière colonne du
tableau 17).

Le tableau ci-dessous présente le bilan radiatif du système climatique ainsi considéré:

91
 Tableau 17 : Bilan radiatif du système climatique à une seule couche
atmosphérique

Radiation
Radiations absorbées provenant de
émises

Surface Couche
Soleil
terrestre atmosphérique

1. Surface
(ߨܴଶ)ܵ଴(1 − ܽଵ)(1 − ߙ) / (4ߨܴଶ)ߝଵߪܶଵସ (4ߨܴଶ)ߪܶௌସ
terrestre

2. Couche
(ߨܴଶ)ܵ଴ܽଵ (4ߨܴଶ)ߝଵߪܶௌସ / 2(4ߨܴଶ)ߝଵߪܶଵସ
atmosphérique

Les équations du bilan énergétique qui retracent l’équilibre radiatif respectivement de

la surface terrestre et de la couche atmosphérique par le principe de la conservation de

l’énergie sont (après avoir simplifié toutes les équations par(4ߨ ܴ2)):

ௌబ
(1 − ܽଵ)(1 − ߙ) + ߝଵߪܶଵସ = ߪܶௌସ : Bilan énergétique de la Terre.
ସ

ௌబ
ܽଵ + ߝଵߪܶௌସ = 2ߝଵߪܶଵସ : Bilan énergétique de l’atmosphère.
ସ

Etant données les paramètres (ߙ, ܽଵ, ܵ଴, ߪ, ߝଵ), la résolution de ces deux équations
déterminent les températures d’équilibre de la surface terrestre ܶ௦ ainsi que celle de la
couche atmosphériqueܶଵ.

ௌ ଶ[(ଵି௔భ)(ଵିఈ)]ା௔భ ଵ/ ସ
ܶௌ = ቄସఙబ ቅ Équation 25
(ଶିఌభ)

ௌ (ଵି௔భ)(ଵିఈ)ఌభା௔భ ଵ/ ସ
ܶଵ = ቄସఙబ ቅ Équation 26
ఌభ(ଶିఌభ)

b. L’effet de serre naturel : une première approximation

Malgré les simplifications contenues dans ce modèle radiatif à une seule couche,
celui-ci peut rendre compte du processus d’effet de serre. Ce dernier peut être interprété
comme le surcroit de température à la surface terrestre induit par l’émission de
rayonnement de la couche atmosphérique vers la terre.

92
 En effet, en l’absence de ces émissions de radiations infrarouges par la couche
atmosphérique, (et donc avec ߝଵ = 0), la température sur la surface terrestre serait de la
forme suivante:

ଵ/ ସ
1
ܶௌ଴ = ൜ (2‫ ܣ‬+ ‫)ܤ‬ൠ
ߪ

(ଵିఈ)(ଵି௔భ)ௌబ ௔భௌబ
où on a noté par ‫ = ܣ‬ቀ ቁ, et par ‫= ܤ‬
ସ ସ

Alternativement, en présence d’une couche atmosphérique, la température ܶୗ est

ଵ ଶ஺ା஻ ଵ/ ସ
donnée par l’équation 25, soit ܶୗ = ቄఙ (ଵିఌ )ቅ , dans un rapport égal à :
భ

்ೄ ଶ
= > 1.
்ೄబ ଶିఌభ

Ainsi, la présence d’une atmosphère avec une émissivité égale à ߝଵ, en réemettant en
direction de la surface terrestre une partie des radiations absorbées en provenance de la
terre a pour effet de créer un effet de serre qui a pour conséquence de réchauffer la
température de la surface terrestre.

Pour en donner l’ordre de grandeur prédit par ces modèles, on a simulté ces
températures pour les valeurs suivantes des paramètres du modèle :
Tableau 18 : paramètrage du modèle EBM avec une couche atmosphèrique

Modèle sans émission radiative Modèle avec émission radiative

Paramètres
de la couche nuageuse de la couche nuageuse

ߙ 0.3 0.3

ܽଵ 0.3 0.3

ܵ଴ 1367 1367

ߪ 5.67E-08 5.67E-08

ߝଵ 0 0.8

Les résultats générés par ces simulations sont données dans le tableau ci-dessus :

93
 Tableau 19 : Simulation de l’effet de serre dans un modèle à une couche
atmosphèrique

Modèle sans émission radiative Modèle avec émission radiative Effet de

Températures
de la couche nuageuse de la couche nuageuse serre

34
Surface terrestre 249.2K (= - 23.8°C) 283.2K (=10.2°C) °C=[10.2-(-
23.8)]

Couche nuageuse / 273.3K (= 0.3°C) /

En conclusion, en créant un effet de serre naturel, la présence d’une couche

nuageuse permet d’accroitre la température de la surface terrestre. Comparativement au
modèle EBM sans dimension qui considérait le système climatique dans sa globalité, la prise
en compte des interactions entre les différentes composantes du système climatique donne
plus de réalisme aux températures à la surface terrestre et améliore ainsi les capacités
prédictives du modèle.

3.2.2.3.3. Le modèle à deux couches atmosphérique : la mise en évidence d’un

gradient thermique vertical

Afin de rendre compte du gradient thermique induit par la présence des multiples
couches atmosphérique, on généralise le modèle climatique présenté ci-dessus à deux
couches atmosphériques pour donner plus de consistance à la dimension verticale et
déduire l’évolution de la température en fonction l’altitude.

Avec les mêmes hypothèses H1-H4 présentées ci-dessus, la figure suivante 34 décrit
les échanges thermiques entre la surface de la terre et les deux couches de l’atmosphère
terrestre :

La surface terrestre. En plus du rayonnement reçu provenant du soleil et la couche

atmosphérique basse, la surface terrestre reçoit également les rayons infrarouges émis par la
couche atmosphérique supérieure non absorbés par la couche atmosphérique basse, soit :(1 −
ߝଵ)ߝଶߪܶଶସ.

D’où la première ligne du tableau 20 ci-dessous qui constitue la balance énergétique

de la terre.

94
 ࡿ૙ ૝
ࢿ૛࣌ࢀ૛
૝

Couche nuageuse ࢿ૛࣌ࢀ૝

૛

૝
ࢿ૚࣌ࢀ૚

Couche nuageuse ࢿ૚࣌ࢀ૝

૚

࣌ࢀ૝ࡿ
surface terrestre
Figure 34 : Structure d’un modèle EBM avec deux couches atmosphérique

La couche inférieure de l’atmosphère. En plus des radiations absorbées provenant du

soleil et de la surface terrestre, cette couche atmosphérique absorbe également une fraction
ߝଵ des radiations émises par la couche atmosphérique supérieure.

Elle irradie à son tour la surface de la terre ainsi que la couche supérieure de l’atmosphère
(figure 34 et ligne 2 du tableau 20).

La couche atmosphérique supérieure. Celle-ci est supposée transparente aux

rayonnements solaire à onde courte mais absorbe une partie ߝଶ des émissions infrarouges
qu’elle reçoit de la couche atmosphérique inférieure avant d’irradier à son tour la couche
atmosphérique inférieure et d’émettre une quantité équivalente de radiations vers l’espace
(figure 34 et ligne 3 du tableau 20).

Le tableau suivant présente le bilan radiatif du système climatique (surface terrestre

et les deux couches de l’atmosphère).

95
 Tableau 20 : Bilan radiatif du système terrestre (avec deux couches
atmosphériques)

Radiations absorbées provenant de

Radiation
Surface 1ère couche 2ème couche émises
Soleil
terrestre atm. atmos.

1. Surface ܵ଴ (1
terrestre (1 − ܽଵ)(1 − ߙ) / ߝଵߪܶଵସ − ߝଵ)ߝଶߪܶଶସ ߪܶௌସ
4

2. Couche
ܵ଴
atm. ܽ ߝଵߪܶௌସ / ߝଵߝଶߪܶଶସ 2ߝଵߪܶଵସ
inférieure
4 ଵ

3. Couche
atm. / (1 − ߝଵ)ߝଶߪܶௌସ ߝଶߝଵߪܶଵସ / 2ߝଶߪܶଶସ
supérieure

NB : Toutes les équations ont été divisées par le facteur 4ߨܴଶ.

Les trois équations du bilan énergétique qui retracent l’équilibre radiatif

respectivement de la surface terrestre et de la couche inférieure et supérieure de
l’atmosphère sont :

ܵ଴
(1 − ܽଵ)(1 − ߙ) + ߝଵߪܶଵସ + (1 − ߝଵ)ߝଶߪܶଶସ = ߪܶௌସ
4

ܵ଴
ܽ + ߝଵߪܶௌସ + ߝଵߝଶߪܶଶସ = 2ߝଵߪܶଵସ
4 ଵ

(1 − ߝଵ)ߝଶߪܶௌସ + ߝଶߝଵߪܶଵସ = 2ߝଶߪܶଶସ

Etant données les paramètres (ߙ, ܽଵ, ܵ଴, ߪ, ߝଵ, ߝଶ), ces trois équations déterminent les
températures d’équilibre de la surface terrestre ܶ௦ ainsi que celle des deux couches
atmosphériques ܶଵet ܶଶ.

(ଵିఈ)(ଵି௔భ)ௌబ ௔భௌబ
On note comme précédemment par ‫ = ܣ‬ቀ ቁ, et par ‫= ܤ‬ .
ସ ସ

La résolution de ces équations donne:

96
 /ସ
1 4‫ ܣ‬− Aߝଵߝଶ + 2‫ ܤ‬+ ‫ߝܤ‬ଶ(1 − ߝଵ) ଵ
ܶௌ = ൜ ൠ
ߪ (2− ߝଵ)(2 − ߝଶ)

ଵ/ ସ
1 ‫ߝ[ܣ‬ଵߝଶ(1 − ߝଵ) + 2ߝଵ] + ‫[ܤ‬2 − (1 − ߝଵ) ଶߝଶ]
ܶଵ = ቊ ቋ
ߪ ߝଵ(2− ߝଵ)(2 − ߝଶ)

ଵ/ ସ
1 ‫ߝ[ܣ‬ଵߝଶ + 2(1 − ߝଵ)ߝଶ] + ‫([ܤ‬1 − ߝଵ)ߝଶ + ߝଶ]
ܶଶ = ቊ ቋ
ߪ ߝଶ(2− ߝଵ)(2 − ߝଶ)

Ces équations, en donnant les températures ܶௌ, ܶଵ et ܶଶaux différentes altitudes

permettent de rendre compte des différences de températures en fonction de l’altitude et
déterminent ainsi le gradient vertical de température du système climatique.

On a simulté ces températures pour les mêmes valeurs des paramètres issues des
simulations précédentes (Tableau 13 colonne 3) en plus de ߝଶ = 0.3 avec les résultats
suivant :
Tableau 21 : Simulation de l’effet de serre dans un modèle à deux couches
atmosphèriques

Couches atmosphériques Temparatures

Surface terrestre 292.0K (=19.0°C)

1ère Couche nuageuse 286.5K (= 13.5°C)

2ème Couche nuageuse 230.1K (=-42.9°C)

La présence d’une couche nuageuse transparente aux rayons solaires accentue l’effet
de serre et provoque ainsi un plus grand réchauffement des couches atmosphériques
inférieures (première couche nuageuse et terre).13 On peut constater que :

ܶௌ > ܶଵ > ܶଶ Équation 27

Ainsi, les transferts radiatifs affectent la structure thermique verticale de

l’atmosphère, la température diminuant dans notre simulation avec l’altitude.

13
La température particulièrement basse de la deuxième couche atmosphérique s’explique par l’hypothèse
qu’on a faite de la transparence de cette couche aux rayons du soleil (pas d’absorption de ces rayons par cette
couche). Cette hypothèse était nécessaire pour simplifier la résolution du système d’équations du bilan
énergétique.

97
 3.2.2.3.4. La validité du modèle climatique EBM à une dimension verticale : le
prolongement radiatif-convectif

a. Les limites du modèle EBM à une dimension

L’importance des modèles EBM à une dimension est d’avoir formalisé une relation de
dépendance de la température de l’altitude. Toutefois, si ces modèles montrent bien
l’existence d’un gradient thermique vertical négatif, leur prédiction de la sensibilité de la
température à l’altitude n’est pas formellement conforme aux observations.

Manabe et al. (1964) et Manabe et al.(1967) notamment ont étudié cette question à
travers un modèle plus complexe que le simple modèle EBM exposé ci-dessus. Les résultats
auquel ces auteurs aboutissent est que l’équilibre radiatif pur surestime la température à la
surface de la terre et sous-estime la température en haut de l’atmosphère comme le montre
la figure ci-dessous.

Source : Manabe et al. (1967) p244

Figure 35 : Profil du gradient thermique suivant trois modèles

Les prédictions de températures de l’équilibre radiatif pur conduisent ainsi à un biais

dans l’estimation de la sensibilité de la température à l’altitude.
98
 b. L’ajustement convectif: les modèles radiatifs-convectifs

Pour corriger ces biais, Wanabe et al. (1964 ; 1967 ; 1980) et Ramanathan et al.
(1978) ont construit un modèle climatique qui incorpore le processus de transfert radiatif
mais également un processus d’ajustement convectif qui approxime les transferts de
chaleurs véhiculés par la circulation de l’air dans l’atmosphère. Beaucoup d’auteurs
considèrent ce modèle comme le précurseur des modèles de circulation globale (McGuffiek
et Henderson-Sellers, 2005).

Dans les modèles EBM, l’énergie libérée par la surface terrestre est supposée
exclusivement formée de radiations électromagnétiques. Cependant, une partie de l’énergie
émise par la terre l’est également sous forme de chaleur sensible et latente (cf. figure 28) de
sorte que les transferts d’énergie de la surface terrestre vers l’atmosphère prennent la
forme à la fois de rayonnement, de chaleur latente et de chaleur sensible.

La chaleur sensible est transférée de la terre vers l’atmosphère par le contact de l’air
avec la surface terrestre. La terre étant plus chaude que l’atmosphère (Equation 27), elle
tendra à réchauffer les masses d’air qui s’élèveront dans l’atmosphère par une dynamique
de convection (dry convection car sans changement d’humidité) et conduiront à un
réchauffement de l’atmosphère. Ce processus atténue ainsi le gradient thermique donnant
plus de réalisme au modèle.

Parallèlement, pour autant que l’eau soit disponible, la phase de passage de l’eau de
l’état liquide à l’état de vapeur, soit par l’évaporation ou l’évapotranspiration s’accompagne
par un emmagasinement par la vapeur d’eau de l’énergie libérée par la terre sous forme de
chaleur latente. Cette chaleur est ensuite libérée à des altitudes plus élevées (moist
convection) lors de la transformation de la vapeur d’eau en eau liquide (par suite de la
condensation) permettant ainsi de réchauffer les hautes altitudes de l’atmosphère.

Ces deux processus de convection, qui se superposent aux échanges radiatifs, ont été
formalisées par les modèles radiatifs-convectifs et ont pour conséquence de réduire le
gradient thermique et de prédire des températures plus conformes aux observations.

99
3.2.3. UNE MODELISATION SIMPLE DU FORÇAGE
CLIMATIQUE

Les modèles climatiques présentés ci-dessus, malgré leur simplicité, ont permis de
mettre en évidence les premières interdépendances du système climatique. Leur apport est
de montrer que le climat n’est pas simplement une moyenne de variables météorologiques
mais un système dont l’évolution est gouvernée par des processus de différente nature
(échange d’énergie, processus de convection), complexes et interdépendants.

Ces interdépendances entre les différentes composantes du système climatique

impliquent une multiplicité de facteurs pouvant affecter l’évolution de ce système et
également perturber son équilibre énergétique. Naturellement, l’équilibre du système
climatique finira par se rétablir du fait des processus physiques qui se mettent en œuvre
mais à un niveau différent de l’état initial du système. Ainsi, on peut schématiser cette
séquence par le diagramme suivant :

Etat initial d’équilibre

Forçage climatique (impulsion) réponse du système climatique feedback

(amplification des effets
de l’impulsion initiale)

Nouvel état d’équilibre

Nous étudions dans cette section les changements climatiques induits par le forçage
en analysant successivement chacun des trois éléments de la séquence : le forçage
climatique (avec ses différentes formes, les gaz qui en sont à l’origine et son évaluation), la
réponse du système climatique au forçage radiatif (à travers notamment la modification de
la température de la surface terrestre) ainsi que les processus de feedbacks qui suivent
généralement l’impulsion initiale donnée par le forçage climatique (en nous concentrant sur
le feedback de la vapeur d’eau dans la perturbation de l’effet de serre).

3.2.3.1. Le forçage climatique

Le forçage climatique est une altération de l’équilibre énergétique du système

climatique induite par un phénomène extérieur à ce système. Par exemple, l’altération du

100
système climatique qui conduit à l’effet de serre est imposée par la variation de l’émission
de dioxyde de carbone notamment dans l’atmosphère. Le forçage est ainsi l’impulsion
première du processus de changement climatique.

3.2.3.1.1. Les différentes formes de forçage climatique

On distingue plusieurs formes de forçage climatique. Les variables de forçage peuvent

ainsi être d’ordre naturel ou d’ordre anthropogénique. Si les premiers relèvent de causes
naturelles mais extérieurs aux processus physiques climatiques, les seconds, en revanche,
sont liés à l’activité humaine.

― Parmi les variables de forçage naturel, on distingue les variations dans l’irradiation
solaire ainsi que les émissions volcaniques d’aérosol lors des grandes éruptions.

― En revanche, les facteurs de forçage anthropogénique relèvent principalement de

l’émission de gaz à effet de serre et d’aérosols liée à l’activité de l’homme. Ils sont les
plus importants à étudier car ayant le plus d’impact sur le forçage radiatif total.

D’autres types de forçage existent mais sont peut étudiés.14 La connaissance de ces
processus naturels et anthropogéniques qui affecte l’équilibre énergétique est importante
pour comprendre les causes du changement climatique par le passé et dans le futur.
Toutefois, on se limite dans ce travail aux facteurs anthropogéniques et parmi ceux-ci aux
forçages radiatifs et plus particulièrement à l’effet de serre. C’est en effet ce processus qui
continuera, selon l’IPCC, à dominer le changement climatique pour une longue période :
‘Cumulative emissions of CO2 largely determine global mean surface warming by the late
21st century and beyond. Most aspects of climate change will persist for many centuries
even if emissions of CO2 are stopped. This represents a substantial multi-century climate
change commitment created by past, present and future emissions of CO2’. (International
Panel for Climate Change (IPCC, 2013: 27)).

14
Ce sont les forçages non radiatifs et que le National Reasearch Council recommande d’étudier plus
précisément : ‘Several types of forcings—most notably aerosols, land-use and land cover change, and
modifications to biogeochemistry—impact the climate system in non-radiative ways, in particular by
modifying the hydrological cycle and vegetation dynamics. Aerosols exert a forcing on the
hydrological cycle by modifying cloud condensation nuclei, ice nuclei, precipitation efficiency, and the
ratio between solar direct and diffuse radiation received. No metrics for quantifying such non-
radiative forcings have been accepted.’ (Committee on Radiative Forcing Effects on Climat, 2005 : p
14).

101
 3.2.3.1.2. Les gaz responsables du forçage radiatif.

Quels sont les principaux gaz dans l’atmosphère responsables de l’effet de serre,
c’est-à-dire qui entraînent un accroissement de l’absorptivité ߝଵ de l’atmosphère ? Comme
on l’a vu, ce sont des gaz qui ont la propriété d’être relativement transparents aux radiations
solaires (à ondes courtes) mais en même temps d’absorber et d’émettre les radiations
infrarouges reçues de la surface terrestre. Pierre humbert, R. T. (2010: p 148) définit les gaz
à effet de serre ainsi : ‘Assume that a gas is transparent to solar radiation but interacts
strongly enough with infrared that when a sufficient amount is mixed into a parcel of air, it
turns that parcel into an ideal blackbody. Such a gas, which is fairly transparent to the
incoming shortwave stellar radiation but which interacts strongly with the outgoing
(generally infrared) emitted radiation, is called a greenhouse gas’.

Dans cette classe, le dioxyde de carbone (CO2) surtout et à un degré moindre la

vapeur d’eau et le méthane sont des exemples de gaz à effet de serre de par les propriétés
de leurs molécules. Il est paradoxal de constater que les gaz responsables de l’effet de serre
ne sont pas les gaz présents en quantité dans l’atmosphère terrestre comme l’azote ou
l’oxygène mais des gaz qui existent dans l’atmosphère parfois uniquement à l’état de traces
(soit moins de 1%).

3.2.3.1.3. L’importance du forçage climatique

De par son importance dans le processus d’effet de serre, l’émission du dioxyde de

carbone est suivie par un certain nombre d’agences dans le monde comme l’Agence
Internationale de l’Energie (AIE) ou le Carbon Dioxide Information Analysis Center (CDIAC)
localisé au laboratoire Oak Ridge National Laboratory et qui inclut également le World Data
Center for Atmospheric Trace Gases (NRC, 2011).15

Cette émission de CO2 s’est brutalement accrue sur la période récente comme le
montre la figure (35) ci-dessous.

15
Le site de ce Centre: http://cdiac.ornl.gov/

102
 Source : Pierrehumbert (2010) page 59 : La concentration est mesurée par
le nombre de molécules de CO2 par million de molécules d’air. La première
partie des données (1750-1950) est tirée de l’analyse de l’air piégé dans la
glace du Siple Dome Antarctic. Les données plus récentes proviennent de
l’observatoire de Mauna Loa.

Figure 36 : Evolution de la concentration annuelle de CO2 : 1750-2010

La concentration du dioxyde de carbone selon l’IPCC s’est accrue de 40% par rapport
à l’ère préindustrielle principalement du fait de l’émission de fuel fossile dont 30% ont été
absorbés par les océans causant par ailleurs leur acidification. (IPCC (2013, p 11))

Les estimations récentes évaluent l’émission de dioxyde de carbone provenant des

activités anthropogéniques à 36 Gigatonnes (Gt) environ en 2008 dont 31 Gt provenant de la
combustion de fuel fossiles, 4 Gt provenant de la transformation du couvert végétal et de
l’utilisation des sols et 1.3 Gt provenant de la production de ciment (National Research
Council (NRC, 2011: p185)).

A titre de synthèse, la figure suivante présente le cadre conceptuel du forçage

climatique et de la réponse du système climatique tout en distinguant les activités humaines
des processus naturels à la source du forçage ainsi que les différents mécanismes par
lesquels l’activité humaine ou naturelle se transmettent au climat.

103
 Source: National research council NRC (2005).
Figure 37 : Cadre conceptuel du forçage climatique

3.2.3.2. La représentation du forçage climatique

Du fait de la diversité des facteurs à l’origine du forçage climatique, il est nécessaire de

disposer d’une métrique permettant d’évaluer l’intensité du forçage climatique. S’agissant
du forçage radiatif, comme le surcroit d’émission de gaz à effet de serre entraîne un
changement de l’absorptivité de l’atmosphère, une façon de représenter l’importance de ce
forçage radiatif est d’utiliser la modification de l’absorptivité (݀ߝଵ) de l’atmosphère induite
par le forçage comme indicateur de son intensité.

Cependant, cet indicateur de l’intensité du forçage radiatif se heurte à une limite : en

présence de plusieurs couches atmosphérique, ce n’est pas un coefficient d’absorptivité qui
doit être calculé mais plusieurs coefficients qui doivent être pris en compte, chacun pour
chaque couche, pour mesurer l’amplitude du forçage radiatif.

Une alternative recommandée par l’IPCC est de représenter l’amplitude du forçage

radiatif à l’aide de la balance énergétique de la couche atmosphérique supérieure (Top Of
Atmosphere : TOA). Dans ce cas, l’intensité du forçage sera représentée par le déséquilibre
dans la balance radiative de la couche atmosphérique supérieure engendré par un
changement d’une composante externe du système climatique (NRC 2005: p 13).

Cet indicateur de forçage radiatif a l’avantage d’être indépendant du nombre de

couches atmosphérique puisqu’il ne considère que la partie supérieure de l’atmosphère. Par
ailleurs, il est également indépendant de la nature du forçage considérée (nature du gaz qui

104
en est à l’origine). Enfin, depuis l’avènement des satellites, la balance radiative de la couche
supérieure de l’atmosphère peut désormais être mesurée à l’aide des instruments placés à
bord de ces satellites notamment à la faveur du programme ERBE (Earth Radiation Budget
Experiment) développé par les missions climatiques de la NASA (Kidhl et Ramanathan, 2006 :
p 120).

Toutefois, lorsqu’on considère un modèle avec une seule couche atmosphérique, la

question de la mesure du forçage climatique ne se pose pas puisque c’est par rapport à cette
unique couche que les déséquilibres énergétiques seront calculés.

3.2.3.3. L’impact du forçage sur le changement climatique : la perturbation

de l’effet de serre

3.2.3.3.1. Effet direct: la perturbation de l’effet de serre par le forçage

climatique

a. Le cadre d’analyse

En présence de forçage, les variables climatiques s’ajustent ex-post pour rétablir

l’équilibre climatique bien qu’à un niveau différent de celui d’avant le forçage.

Avant forçage Situation intermédiaire : Après forçage

ajustement
Equilibre radiatif Déséquilibre radiatif à Equilibre radiatif par l’ajustement des
températures constantes températures à un niveau différent de la
situation initiale
ܶௌ = ܶௌ଴ ܶௌ = ܶௌ଴ ܶௌ = ܶௌଵ
ܶଵ = ܶଵ଴ ܶଵ = ܶଵ଴ ܶଵ = ܶଵଵ

NB : ܶௌ : température à la surface de la terre ; ܶଵ : température de la couche atmosphérique.

La question étudiée est alors de savoir quel doit être la réponse de la température ܶௌଵ
de la surface terrestre au forçage radiatif.

Pour répondre à cette question, on se place dans le cas le plus simple d’un modèle à
une seule couche atmosphérique étudié ci-dessus en faisant de plus l’hypothèse
simplificatrice que l’absorptivité de la couche atmosphérique ܽଵ est nulle de sorte que cette
couche est transparente aux rayons solaire (à ondes courtes) mais ne l’est pas vis-à-vis des
radiations émise par la couche terrestre (grandes ondes).

105
 Dans ce cas, les équations (25) et (26) ci-dessus donnant les températures d’équilibre
de la surface terrestre et de la couche nuageuse s’écrivent (avec ܽଵ = 0):

ܵ଴
(1 − ߙ) + ߝଵߪܶଵସ = ߪܶௌସ
4

ߝଵߪܶௌସ = 2ߝଵߪܶଵସ

La deuxième équation implique que ܶௌ = 2ܶଵ, ce qui en reportant dans la première

équation donne:

ௌ ଶ(ଵିఈ) ଵ/ ସ
ܶௌ = ቄସఙబ (ଶିఌ ) ቅ Équation 28
భ

ௌ (ଵିఈ) ଵ/ ସ
ܶଵ = ቄସఙబ (ଶିఌ )ቅ Équation 29
భ

Le forçage climatique correspond à une perturbation du degré d’absorption par la

couche nuageuse ݀ߝଵ des rayons infrarouges émises par la terre et donc à une perturbation
de l’effet de serre.

Pour déterminer l’impact de cette perturbation ݀ߝଵ, on différencie l’équation 28 par

rapport à ߝଵ:

ଵ/ ସ
1 ܵ଴ 1
݀Tௌ = ൜ 2(1 − ߙ)ൠ ହ ݀ߝଵ
4 4ߪ (2− ߝଵ) ൗସ

et donc:
ଵൗ
ଵ ௌబ ଶ(ଵିఈ) ସ
݀ܶௌ = ቄ
ସ ସఙ (ଶିఌభ)ఱ
ቅ ݀ߝଵ Équation 30

Cette relation qui relie l’augmentation de la température de la surface terrestre ݀Tௌ au

forçage radiatif ݀ߝଵ peut également s’écrire :

݀Tௌ = ݂݀ߝଵ

avec:
ଵൗ
1 ܵ଴ 2(1 − ߙ) ସ
݂= ቊ ቋ
4 4ߪ (2− ߝଵ)ହ

106
 On voit qu’une augmentation de l’absorptivité de l’atmosphère (݀ߝଵ > 0), comme
c’est le cas en présence d’une augmentation des émissions de dioxyde de carbone par
exemple, entraîne un accroissement de la température à la surface terrestre de ݂݀ߝଵ et
entraine ainsi une perturbation de l’effet de serre naturel.

b. Une simulation de l’effet direct d’un forçage anthropogénique sur l’effet de

serre

Cette relation peut être utilisée pour simuler même approximativement l’impact
direct d’un accroissement de l’absorptivité de la couche atmosphérique passant de
ߝଵ = 0.85 à ߝଵ = 0.88 (݀ߝଵ = 0.03). Cette accroissement d’absorptivité correspondant
approximativement à un doublement de l’émission de ‫ܱܥ‬ଶ de la surface terrestre (Neullin
2011: page 201). L’équation 30 permet alors de déduire une augmentation de la
température de la surface de la terre ݀ܶௌ de 1.9°K. Cette réponse du système climatique à la
perturbation de l’effet de serre est naturellement peu précise compte-tenu de la simplicité
du modèle. Toutefois, elle ne s’écarte pas excessivement de l’estimation fournie par l’IPCC
qui situe l’augmentation de la température terrestre à un doublement de ‫ܱܥ‬ଶ dans un
intervalle de 1.0°K à 1.2°K.

3.2.3.3.2. L’amplification de l’effet de serre par les processus de feed back

Si l’accroissement de l’émission de dioxyde de carbone est le facteur déclenchant de

l’accroissement de l’effet de serre, celui-ci peut être amplifié par un effet de feed-back
qu’exerce la présence d’autres gaz ou de certains processus physiques. Parmi les feed-backs
importants qui affectent l’amplitude du changement climatique on peut citer (Soden et Held,
2006):

― Le feedback de la vapeur d’eau. En effet, une augmentation de la température

accroît la capacité de l’atmosphère à contenir de la vapeur d’eau (par une
augmentation de la pression de saturation). Or, la vapeur d’eau est elle-même un
puissant gaz à effet de serre dont l’augmentation de la concentration induit une
augmentation de la température à la surface de la terre.

― Le feedback des nuages. La température entraîne la modification de la couverture

nuageuse (distribution et nature des nuages), laquelle affecte ensuite la réflexion par

107
 la couverture nuageuse des rayons solaires (l’albédo des nuages) ainsi que
l’absorption par les nuages des radiations infrarouges émises par la surface terrestre.

― Le feedback de la neige et des glaciers. En contribuant à la fonte des glaciers et

neiges, une hausse de la température par la perturbation de l’effet de serre diminue
l’albédo de la surface terrestre et par là-même les radiations solaires réfléchies par la
surface terrestre.

Tous ces processus de feed-back ont comme conséquence d’affecter dans un processus
en chaîne la température de la surface terrestre.

Augmentation de Plus grande Hausse de la

l’émission de opacité de température de
carbone l’atmosphère la surface terr.

Plus grande
concentration de
l’atm. en vapeur

Forçage radiatif Processus de feed-back de la vapeur d’eau

Figure 38 : Le processus de feed-back de la vapeur d’eau

Le tableau 22 ci-dessous présente l’accroissement des températures prédites par les

modèles de circulation générale suivant les différents facteurs cumulés de feedbacks (vapeur
d’eau, nuages, neige et glacier) lorsque le forçage radiatif à l’origine correspond
approximativement à un doublement de l’émission de carbone16 :

16
L’accroissement de la température de 4.8 degrés mais il intègre une grande part d’incertitude. Neullin note à
ce propos :”As may be seen from the implied temperature change, the size of the global average warming
increases substantially when positive feedbacks are included. While 1°C warming (if it occurred slowly) might
be acceptable, a 4 ◦C warming would have substantial consequences. And unfortunately, the feedbacks are in
some of the most complex and difficult to model parts of the climate system. This results in the differences
among the models that give the ranges shown, which can be viewed as rough estimates of the error bars on
the representation of each process ». Neullin (2011, page 204).

108
 Tableau 22 : Contribution des différents feedbacks à l’accroissement de la
température de la surface terrestre (en °K)

Nature du feedback Forçage (Doublement Vapeur Glacier / Couverture

Emission carbone) d’eau neige nuages

Accroissement de ܶௌ 1.0 à 1.2 1.8 à 2.1 1.9 à 2.5 2.7 à 4.8

Source : Neullin (2011: p 204)
ࢀࡿ= température à la surface terrestre

3.2.4. LA MODELISATION DU SYSTEME CLIMATIQUE PAR LES

MODELES DE CIRCULATION GLOBALE

Si les modèles EBM ou leur prolongement radiatif convectif donnent comme on l’a vu ci-
dessus les grands principes de la modélisation climatique et permettent d'avoir une bonne
compréhension des processus en œuvre, ils restent pour autant trop simples pour avoir un
caractère opérationnel.

Dans le but d’approcher davantage la réalité, des modèles variant en complexité ont été
construits parmi lesquels les modèles de circulation globale (GCM) figurent au sommet de la
hiérarchie. Les GCM sont une représentation des différentes sphères du système climatique
et de leur processus d’échange. Ils font notamment intervenir la circulation
atmosphérique et océanique à l'échelle planétaire. Les plus simples modélisent uniquement
la circulation atmosphérique incluant les multiples processus et les interactions entre ces
processus et les plus complexes prennent en compte plusieurs composantes du système
climatiques dans un modèle globale.

3.2.4.1. Les grandes catégories de GCM

Plusieurs types majeurs de GCM peuvent être distingués dont nous présentons ci-
dessous quelques variantes.

3.2.4.1.1. Les modèles atmosphériques de circulation globale (Atmospheric

Global Circulation Model : AGCM)

Ces modèles sont une représentation de l'atmosphère avec ses trois dimensions avec
des horizons de prévision pouvant aller de dizaines d'années à des siècles. Ces modèles
nécessitent des données sur les températures à la surface des océans, sur l'étendue des

109
glaces et les échanges avec la surface terrestre et la biosphère. C'est pourquoi ils sont
souvent couplés, au moins, à un modèle de la surface terrestre et de la cryosphère (glaces).

3.2.4.1.2. Les modèles de circulation globale océaniques (Oceanic Global

Circulation Model : OGCM)

Ces modèles de circulation océanique générale sont similaires aux AGCM, mais sont
appliqués aux océans. Ils sont utilisés dans l'étude de la circulation océanique et de ses
variations (température, salinité, chimie,...). Ils doivent cependant être alimentés
par des données de température de l'air à la surface, ainsi que d'autres propriétés
atmosphériques (taux de CO2,...).

3.2.4.1.3. Les modèles atmosphériques-océaniques de circulation globale

(Atmospheric-Oceanic Coupled Global Circulation Model : AOGCM)

Depuis les années 1990, les supercalculateurs ont permis de faire la jonction entre les
AGCM et les OGCM, afin d'obtenir des modèles plus performants. Ceux-ci prennent en
compte les interactions complexes entre les océans, l'atmosphère et les terres.

3.2.4.1.4. Modèle de cryosphère

Ce modèle est souvent intégré dans un AOGCM et modélise le comportement des

glaces continentales et/ou océaniques, ainsi que les transferts de chaleur, salinité, albédo,...
qui en résultent.

3.2.4.1.5. Modèle du cycle du carbone

Le cycle du carbone terrestre est modélisé dans le compartiment ‘surface

terrestre’ de l'AGCM, et le cycle du carbone océanique dans l'OGCM. Ces modèles sont
importants pour appréhender les feedbacks climatiques de la concentration en CO2.

La figure 39 montre la progression de la complexité des modèles climatiques allant

des modèles EBM à zéro et une dimension que nous avons étudiés ci-dessus vers les
modèles de circulation globale tandis que la figure 40 synthétise l’évolution des GCM eux-
mêmes durant les quarante dernières années.

110
 Figure 39 : La progression des modèles EBM vers les GCM

source : http://www.ipcc.ch/graphics.htm
Figure 40 : L’évolution de la conception des GCM depuis 1970

111
 3.2.4.2. Les objectifs des GCM

Les GCM sont utilisées pour plusieurs objectifs:

― Etudier la dynamique des processus du système climatique et leurs feed back ;

― Elaborer des prévisions sur le long terme des variables climatiques ;

― Etudier l’impact attendu des activités anthropogéniques (principalement des gaz à

effet de serre et des aérosols) sur le futur du système climatique.

L’output atmosphérique des GCM est constitué notamment des températures, de la

vitesse du vent, de la pression et des précipitations à différentes altitudes.

3.2.4.3. La structure des GCM

Un GCM peut se décomposer en blocs indépendants mais communicants entre eux. Il

comporte alors les parties suivantes :

― Un "cœur" hydrodynamique ;

― Un transfert radiatif (comme on l’a été étudié succinctement ci-dessus) ;

― Une paramétrisation de la convection et de la turbulence;

― Un modèle thermique pour la surface et la sous-surface ;

― Un modèle d'évolution des nuages et aérosols.

Pour sa formalisation, le GCM se donne l’espace dans ses trois dimensions qui est
discrétisé suivant une degré de finesse qui détermine la résolution du modèle. Le modèle
détermine alors les échanges climatiques (radiations, chaleur, humidité, etc.) qui ont lieu
entre les grilles de discrétisation adjacentes (figure 41).

A titre d’illustration, le GCM HadCM3 développé par le Bureau météorologique de

Grande-Bretagne (Hadley Center) du Royaume-Uni que nous utiliserons dans la section
suivante, possède le maillage suivant : 2,5° en latitude, 3,75° en longitude, 19 niveaux
atmosphériques et 20 niveaux océaniques. Ce maillage correspond à un découpage
horizontal en rectangles de 417x278 km à l'équateur.

112
 Ainsi, la complexité des GCM n’est pas seulement théorique du fait de la complexité
des processus formalisés. Elle est aussi d’ordre opérationnel : en raison de la dimension de
ces modèles et de la multiplicité des processus qui sont inclus, les simulations de GCM
nécessitent un temps d’exécution informatique très long. Par exemple, une simulation
couvrant un siècle prend généralement plusieurs semaines pour être réalisée sur les
ordinateurs les plus puissants. Cependant, comme la puissance de calcul des ordinateurs
augmente de plus en plus, des simulations plus longues avec une résolution plus élevée
deviennent faisables, offrant plus de détails régionaux que les modèles antérieurs (Goosse et
al., 2010).

Figure 41 : La structure en grilles des composantes d’un GCM

Source : Daithi A.S & R. Knutti (2011, p 11)

113
 En conclusion, on peut dire que « l’approche physique » des changements
climatiques, à l’inverse de la modélisation statistique, offre une explication plus riche des
évolutions climatiques en faisant intervenir les lois qui gouvernent l’évolution du système
climatique.

Cependant la limite essentielle de cette modélisation est l’échelle trop large de ces
modèles, à l’instar des GCM, dont la conséquence est que certains processus importants
comme la formation des nuages et les précipitations ne peuvent être envisagés car ils
opèrent à une échelle beaucoup plus réduite que la dimension des grilles des GCM.
Autrement dit, la faible résolution des modèles climatiques ne permet pas de discerner les
spécificités locales qui influencent le climat de la région étudiée.

Le dépassement de cette limite est nécessaire pour créer un pont entre les modèles
GCM et les questions opérationnelles de management des ressources hydrique des régions
qui est notre préoccupation. C’est à cette question que la section suivante sera consacrée.

114
 3.3. LA PREVISION DES CHANGEMENTS CLIMATIQUES DE LA
WILAYA D’ORAN PAR LE DOWNSCALING STATISTIQUE

Après avoir donné un aperçu sur la modélisation climatique et les modèles de circulation
globale, on se propose de projeter les variables climatiques de la région d’Oran en utilisant
les méthodes de réduction d’échelle statistique des modèles climatiques de circulation
globale (statistical downscaling).

Peu d’études à notre connaissance ont été consacrées à ces méthodes de projection et
de simulation des variables climatiques pour les régions algériennes à l’inverse d’autres
régions comme l’Iran (Ahmadi et al. 2014), le Maroc (Riffai et al., 2015 ; Wilby, 2005) ou
l’Egypte Kamel et al. (2016).

3.3.1. LA NECESSITE DU DOWNSCALING DES MODELES DE

CIRCULATION GLOBALE

Comme nous l’avons souligné plus haut, les modèles climatiques, notamment les
modèles de circulation globale, ont pour avantage de formaliser les processus
climatologiques et hydrologiques complexes. Ce sont les principaux modèles utilisés pour
prévoir avec une bonne précision les changements dans les variables climatiques à l’échelle
globale ou à l’échelle des continents en présence de forçage anthropogéniques (gaz à effet
de serre et aérosols).

Toutefois, l’étude de l’évolution des variables climatiques n’est pas une fin en soi. Ce qui
est important est l’impact que ces changements climatiques peuvent avoir à l’échelle de la
région étudiée : ‘Modelling precipitation, in most cases, is not an end in itself but provides a
product (in the form of data or information) to an “end user”. Their goal may be, for
example, to understand and potentially act upon the impacts that are likely to be caused by a
localized climate extreme or by a future change in the climate. End users range from policy
makers, through planners and engineers, to impact modelers’, (Maraun et al., 2010.p 3). Or,
la limite des GCM se situe précisément dans leur application à un niveau local du fait de la
faiblesse de leur résolution. En effet, la résolution d’un modèle de circulation globale est en
général de l’ordre de plusieurs centaines de kilomètres. Cette résolution est trop faible pour

115
donner lieu à une utilisation sous forme d’étude d’impact et à des résultats opérationnels à
une échelle réduite. En effet, à un niveau régional, le climat local et l’impact du forçage sur
celui-ci dépendent des caractéristiques topographiques, de la nature spécifique du couvert
végétal ou bien encore de la localisation de la région (côtière ou située à l’intérieur du pays).
Les GCM du fait de leur résolution réduite ne peuvent pas prendre en compte ces
hétérogénéités dans les régions. Or, les pouvoirs publics sont intéressés par connaître
l’impact des changements climatiques sur les processus hydrologiques et sur l’agriculture
par exemple à cette échelle afin de prendre les mesures opérationnelles susceptibles
d’atténuer ces effets. En conséquence, on peut dire qu’il existe un gap entre le faible niveau
de résolution des modèles de circulation globale qui ne permet pas prendre en compte
l’hétérogénéité des régions et prédire l’impact des changements climatiques sur des sites
locaux d’une part et, d’autre part, l’échelle locale au niveau de laquelle on doit appréhender
les changements climatiques du point de vue opérationnel et mener les études d’impact de
ces changements (Maraun et al., 2010 ; Abdel-Fattah,2012 ; Varis et al. 2004).

La méthode de réduction d’échelle ou ‘downscaling’ est justement un ensemble de

méthodes qui permet de combler ce gap entre l’échelle des modèles de circulation globale
et celle des processus locaux afin d’obtenir des scénarios de changements climatiques plus
représentatif des spécificités locales.

3.3.2. LES DIFFERENT TYPES DE DOWNSCALING

Deux grands ensembles d’approche sont généralement utilisées pour projeter les
résultats des modèles de circulation globale à l’échelle locale : le downscaling dynamique et
le downscaling statistique que nous tenterons de présenter brièvement ci-après.

3.3.2.1. Le downscaling dynamique

La première approche, le downscaling dynamique, consiste à coupler un modèle

d’échelle régionale (d’une échelle d’une cinquantaine de kilomètres) à un modèle de
circulation globale de façon à ce que les conditions aux frontières du modèle régionale
soient données par le modèle de circulation globale (Hay et al., 2003). L’inconvénient de
cette approche est que les incertitudes qui pèsent sur les GCM sont intégralement
transmises au modèle régional. Par conséquent, les modèles régionaux cumulent à la fois les

116
incertitudes propres aux modèles GCM eux-mêmes et les limites sur les informations à
l’échelle locale sur la région. De plus, les modèles régionaux sont très demandeurs en
données et en ressources informatiques (Hay et al., 2003, p57).

3.3.2.2. Le downscaling statistique (SDSM)

Pour ces raisons, nous nous sommes concentrés dans ce travail sur l’approche du
downscaling statistique que nous utiliserons dans la suite de ce travail. L’apport de cette
démarche est qu’elle produit des prévisions locales directement utiles pour la gestion des
ressources hydrologiques et notamment pour la minimisation des impacts des changements
climatiques. Relativement aux GCM et aux modèles régionaux, les modèles de downscaling
statistique (SDSM : Statistical DownScaling Models)) permettent d’obtenir une plus forte
désagrégation des changements climatiques permettant de prendre en compte les
spécificités locales en termes de topographie, de végétation et de nature des sols. Par
ailleurs, il faut remarquer que même comparativement aux modèles de circulation régionale,
leur application requiert moins de données climatiques ce qui est un avantage très précieux
compte tenu de la difficulté et le coût pour obtenir des séries climatiques suffisamment
longues dans beaucoup de pays y compris dans notre région d’étude.

3.3.3. LA PRESENTATION DES METHODES DE DESCENTE

D’ECHELLE STATISTIQUE

3.3.3.1. Le principe

La figure ci-dessous 42 présente les bases schématiques du downscaling des résultats

d’un modèle de circulation globale permettant de visualiser l’amélioration de la résolution
obtenue lorsqu’on passe respectivement d’un modèle de circulation globale à un modèle
d’échelle régional puis à un modèle SDSM.

Dans son principe, le downscaling statistique consiste à établir sur une période
donnée une relation ݂ entre :

― des variables climatiques à large échelle (ܺ ௜) appartenant aux modèles de circulation

globale appelées prédicteurs ;

117
 General Circulation
Model

RegionalCirculation
Model

StatisticalDownScal
ing

Zone d’étude

Figure 42 : Le principe schématique du downscaling d’un modèle GCM

Source : Wilby et al. (2002).

― une variable climatique intervenant à l’échelle locale (ܻ) appelée prédictand qui est
généralement les températures ou les précipitations dans la région d’étude :
ܻ = ݂(ܺ௜, ߚ)

où ߚ représente un vecteur de paramètres qui doit être estimé par calibrage.

La fonction ݂ est la fonction de transfert. Elle permet de ‘transférer’ les évolutions

des prédicteurs à large échelle ܺ ௜à celles des prédictands ܻ qui relèvent de l’échelle locale.
Autrement dit, cette fonction relie la variable climatique locale (les précipitations ou les
températures) aux prédicteurs dont l’évolution est donnée par un ou des GCM.

Une fois la fonction de transfert ݂ retenue, les coefficients ߚ calibrés, et connaissant

les projections des prédicteurs ܺ ௜ données par le GCM, on peut alors utiliser cette relation
pour projeter dans le futur l’évolution de la variable locale ܻ.

118
Le tableau suivant résume les informations sur les variables et les paramètres de la fonction
de transfert ݂:
Tableau 23 : Variables et paramètres de la fonction de transfert

Variables Source des valeurs

Echelle Valeurs projetées
et paramètres passées
Stations climatiques Déterminés par la relation
ࢅ Locale
locales ݂ : ܻ = ݂(ܺ, ߚ)
Données par les
ࢄ࢏ Globale Données par les GCM
GCM
A estimer par
ߚ / Valeur supposée constante
calibrage du modèle

Le tableau 24 ci-dessous montre le schéma général de l’approche du downscaling

pour générer des projections du changement climatique.

Les applications de la méthode de downscaling statistique différent alors selon le

choix de la fonction de transfert݂, le choix des prédicteurs et selon la procédure de calibrage
des paramètres ߚ de la fonction de transfert. Ce sont ces différentes étapes du downscaling
que nous allons présenter.

3.3.3.2. Les hypothèses

L’approche du downscaling retient cependant des hypothèses qu’il est utile de

préciser. Cette approche suppose notamment que (Wilby et al. 2004, p6) :

― Les prédicateurs utilisés et provenant des GCM sont correctement modélisés par ces
derniers modèles ;

― Le choix des prédicteurs représente parfaitement le signal de changement

climatique.

― La fonction de transfert qui relie sur la période passée les prédicteurs et les
prédictants reste valable pour les périodes futures, et donc que cette relation reste
stable dans le temps.

On suppose dans ce travail que toutes ces hypothèses sont réunies afin de pouvoir
appliquer cette méthode de projection climatique à notre région d’étude tout en prenant
soin de choisir de manière appropriée les prédicteurs et la fonction de transfert.

119
 Tableau 24: Schéma général de l’approche par le downscaling statistique

Prédictants de la Choix de la fonction Variables du GCM

station climatique de transfert NCEP réanalysées

Choix des prédicateurs

Calibration des
paramètres du modèle

Simulations utilisant
les données du NCEP

Validation du
calibrage du modèle

Simulations utilisant Données du GCM

les données du MCG (HadCm3)

Résultats et
conclusions
Source : adapté de Hessami et al. (2008, p 815).

3.3.3.3. Les étapes du downscaling statistique

Procéder au downscaling des résultats d’un GCM revient alors à suivre de manière
successive les étapes suivantes :

― Après avoir retenu le GCM devant faire l’objet du downscaling et identifier la maille
de la grille du GCM correspondante à la région d’étude d’Oran, la première étape est
d’étudier les séries climatiques provenant de la station climatique d’études pour
traiter des observations manquantes, des erreurs de saisie ou des valeurs aberrantes.

― Cette étape est suivie du choix des prédicteurs provenant du GCM à travers une
analyse de corrélation permettant d’évaluer la sensibilité entre les prédicteurs
potentiels et les prédictands de la région d’étude.

120
 ― Une fois les prédicteurs les plus pertinents retenus, la fonction de transfert est
calibrée séparément pour chacune des variables climatiques (précipitations,
températures moyennes, températures maximales et températures minimales) afin
de parvenir pour chacune de ces variables à une estimation des paramètres ߚ de la
fonction de transfert. La procédure de calibrage est répétée jusqu’à ce qu’une
validation acceptable soit obtenue.

― Les données de projection des prédicteurs sont ensuite extraites du GCM pour les
différentes périodes futures retenues (par exemple pour ce qui nous concerne pour
les trois périodes centrées sur 2025s (2006-2035) ; 2055s (2036-2065) et 2085s
(2066-2099) et insérer dans la fonction de transfert ainsi calibrée pour obtenir les
projections du changement climatiques dans la région d’étude sur les mêmes
périodes.

3.3.4. PRESENTATION DU LOGICIEL SDSM DE DOWNSCALING

UTILISE

Wilbyet al. (2007) ont élaboré un logiciel SDSM intégrant les différentes étapes de la
procédure de downscaling statistique. Ce logiciel permet de projeter les évolutions
climatiques par l’approche du downscaling statistique.

121
Neuf modules composent ce logiciel qui sont détaillés dans le tableau 25 ci-dessous :
Tableau 25 : Présentation du logiciel SDSM
Résultats
Nombre de valeurs
manquantes
Variables transformées
Tableau de corrélation
entre les variables
(prédicteurs et
prédictants)
Résultats de la régression
du predictant sur les
prédicteurs
Génération de séries
simulées à l’intérieur de la
période d’observation
Tableaux de tests
statistiques
Graphe et tableaux des
valeurs extrêmes
Génération des projections
climatiques
Graphe des résultats
statistiques (mensuels)
Objectifs Variables concernées
1. Contrôle de la qualité des données (quality control)
Détection des valeurs manquantes et des
Prédicants journaliers
valeurs aberrantes
2. Transformation des variables (transform data)
Retard, normalisation et transformation
des séries (logarithmes, puissances, Prédicants journaliers
exponentielles,…)
3. Inspection des variables (screen variables)
Etude de corrélation entre les prédicteurs
Prédicteurs ré-analysés
et les prédicants
4. Calibrage du modèle (Calibrate model)
Dérivation de la fonction statistique de
Prédicteurs & prédicants
transfert et calibrage des paramètres
5. Validation du calibrage (weather generator)
Génération des séries simulées sur la
base du calibrage ci-dessus pour Prédicteurs ré-analysés
comparaison avec les séries observées
6. Résumé statistique (summary
statictics)
Description de propriétés statistiques
Toutes séries
d’une série observée ou simulée
7. Analyse de fréquence (Frequenc
yanalysis)
Toutes variables
Analyse de fréquence
temporelles
8. Générateur de scénarios (scenarios
generation)
Génération des scénarios de changement
Prédicteurs GCM
climatique (étape finale)
9. Comparaison des résultats (compare
results)
Comparaison des résultats Output SDSM & prédicant
122
 Dans la suite de ce travail, on se propose d’utiliser la programmation de ce logiciel
pour appliquer la méthode de downscaling statistique et étudier l’évolution des variables
climatiques dans la wilaya d’Oran.

3.3.5. APPLICATION DU DOWNSCLATING STATISTIQUE A LA

WILAYA D’ORAN

3.3.5.1. Rappel succinct sur les observations climatiques locales utilisées

Comme précédemment, on s’intéresse aux deux variables climatiques importantes

que sont les précipitations et les températures moyennes et extrêmes (maximales et
minimales) dans la wilaya d’Oran.

A l’inverse de la première section ci-dessus, la fréquence des données climatiques

locales est journalière, cette fréquence devant être identique à celle des modèles de
circulation globale utilisés qui est également journalière.

Par manque de séries climatiques longues sur les précipitations et les températures
sur le territoire de la wilaya d’Oran, nous avons été amenés à s’intéresser à la seule station
climatique d’Es-Sénia qui est l’unique station pour laquelle les observations climatiques
journalières et suffisamment longue sont disponibles, ces dernières s’étalant sur la période
1980-2007.

3.3.5.2. Les GCM utilisées : NCEP/CAR et HADCM3

Le forçage anthropogénique, notamment l’émission de gaz à effet de serre, modifie

les processus climatiques à l’origine du changement des températures et des précipitations.
Il faut cependant remarquer que la mesure de cet effet diffère selon les GCM considérés.
Concernant l’Afrique du Nord-Ouest qui englobe notre region d’étude, Wilby (2005, p2)
souligne que ‘Overall there is a tendency for models to simulate a slight dominance of
positive decadal-mean anomalies, implying long-term reductions in rainfall for northwest
Africa. However, there are large differences between individual models (e.g., ECHAM4 shows
a strong positive trend, whereas HadCM2 remains within the range of observed natural
variability’.

123
 L’une des solutions recommandées pour réduire les imprécisions portées par les
modèles de circulation globale est de considérer plusieurs de ces modèles et de prendre en
compte la moyenne des prédictions générées par ces modèles. Cependant, compte tenu de
la complexité de ces modèles et surtout de l’exigence d’homogénéiser leur résolution
respective si on veut les utiliser simultanément, nous n’avons retenu que :

― le modèle à large échelle NCEP/NCAR pour le calibrage de la fonction de transfert.

― le modèle HadCM3 pour les simulations de scénarios climatiques de projection

Dans la suite, nous donnons quelques indications sur NCEP/CAR qui sera utilisé en
renvoyant la description de HadCM3 à la section relative aux projections climatiques sur le
long terme.

Alors que les données de HadcM3 sont utilisées pour les projections de l’évolution des
variables climatiques à l’horizon de la prévision allant jusqu’en 2099, en revanche, pour le
calibrage des paramètres de la fonction de transfert et sa validation, nous mettrons en
relation les données climatiques de ré-analyses issues du modèle de circulation globale
NCEP/NCAR avec les données locales de la station d’Es-Sénia.

En effet, l’utilisation de la base de données climatique du NCEP/NCAR pour le calibrage

dans le cadre du downscaling est usuelle et se justifie par le fait que cette base de données
globale est contrôlée qualitativement et mise à jour continuellement de 1948 à ce jour. Les
données de cette base sont le résultat d’un projet commun entre les NCEP (National Centers
for Environmental Prediction) et le NCAR (National Center for Atmospheric Research) dans le
but de fournir des données atmosphériques dont la qualité et la précision sont ré-analysées
rigoureusement depuis 1948 et de supporter ainsi les besoins des chercheurs et des
communautés de monitoring climatique. (Kalnay et al., 1996))

Ce projet a consisté d’abord à rassembler toutes les données atmosphériques

disponibles au cours des dernières décennies (mesures au sol, radiosondages, images
satellites,…). Dans un deuxième temps, le projet a consisté à analyser ces données
(interpoler dans le cas de données manquantes, corriger les valeurs aberrantes,…) à l’aide
d’un modèle météorologique unique sur toute la période d’analyse (Bontron, 2004 p42).

124
 On doit enfin souligner que l’utilisation des modèles de circulation globale à large
échelle, - NCEP/NCAR et HadCM3 dans notre cas -nécessite deux étapes préalables :

a) L’homogénéisation de la résolution de leurs grilles respectives. En effet, la résolution du

modèle NCEP/NCAR est de 2.5°x2.5° alors que celle du GCM HadCM3 est de 2.5°x3.75°. Ce
re-grillage du NCEP/NCAR pour l’adapter à résolution de HadCM3 est nécessaire afin
d’éliminer tout différence spatiale entre les deux modèles. Ce re-grillage a été réalisé par le
Canadian Centre for Climate Modelling and Analysis.17

b) La localisation de la région d’étude. L’utilisation du modèle de circulation globale

nécessite préalablement la localisation de la région d’étude. La figure ci-dessus présente
cette localisation dans le maillage du HadCm3.

Figure 43 : La région d’Oran dans la grille de HadCm3

La localisation de la maille qui intègre la région d’étude permet de retrouver les

données de NCEP/CAR et les projections climatiques de HadCM3 pour la dite maille.
Cependant, comme on le voit, l’étendue de la maille est très importante englobant la région
de Tlemcen jusqu’au voisinage de Chlef.

C’est pourquoi la réduction d’échelle est nécessaire lorsqu’on doit étudier la région
d’Oran si on veut capter les spécificités naturelles et hydrographiques de la zone d’étude.

17
http://www.cccsn.ec.gc.ca/?page=pred-hadcm3.
125
 3.3.5.3. La détermination de la fonction de transfert : forme, calibrage et
validation. Le cas des températures

L’application de l’approche du downscaling nécessite comme on l’a souligné ci-dessus

le choix de la forme de la fonction de transfert, l’identification des prédicteurs à utiliser et le
calibrage des paramètres de la fonction de transfert, préalablement aux simulations des
changements climatiques. Nous présentons ci-après les résultats de ces différentes étapes
d’abord pour les températures (moyennes, maximales et minimales) avant de les appliquer
pour la projection des précipitations dans la région d’Oran.

3.3.5.3.1. La forme de la fonction de transfert

La fonction de transfert établit la nature de la relation entre les variables climatiques

locales ܻet les variables climatiques à plus large échelle ܺ ௜ du GCM. Pour simplifier notre
démarche, nous avons retenu une forme linéaire de la fonction de transfert s’écrivant :

ܻ௧ = ߚଵܺ௧ଵ + ߚଶܺ௧ଶ+ ⋯ + ߚ௡ ܺ௧௡ + ߝ௧ ‫ =ݐ‬1, … , ܶ Équation 31

où le terme ߝ௧ constitue les incertitudes et les erreurs de mesures.

Les paramètres ߚ௜ affectés à chacune des variables ܺ ௜ sont spécifiques à la périodicité du

modèle retenue.

Ainsi, si l’étude est mensuelle, douze fonctions de transfert doivent être estimées
chacune d’elles décrivant l’évolution climatique d’un mois donné (janvier par exemple) au
cours du temps. Les paramètres ߚ௜ seront alors spécifiques à ce mois.

Si l’étude est saisonnière, 4 fonctions de transfert seront estimées, chacune d’elle

décrivant l’évolution climatique d’une saison (par exemple l’hiver) avec des paramètres
ߚ௜ spécifiques à chacune des saisons considérées.

Enfin, si les données sont journalières, une seule fonction de transfert sera estimée
pour l’ensemble de la période considérée avec des paramètres ߚ௜ affectés aux variables ܺ ௜
constants dans le temps (Wilby et al., 2002, p 33).

Nous retenons pour notre part des observations journalières permettant d’utiliser
l’ensemble des données et d’avoir le maximum d’observations bien que nous présenterons à

126
certaines occasions nos résultats avec une périodicité mensuelle ou saisonnière pour une
illustration.

Une fois la forme de la fonction de transfert et la périodicité des données retenues, il

convient de préciser la nature des prédicteurs ܺ௧௜ entrant dans la fonction de transfert.

3.3.5.3.2. La sélection des prédicteurs ࢄ ࢏ des températures

Il s’agit d’identifier quelles sont les variables climatiques ܺ ௜ de la fonction de

transfert (Eq 31) issues de la base de données du NCEP/NCAR qui expliquent le mieux
l’évolution ܻ des températures de la région d’Oran.

Le tableau suivant présente la liste de l’ensemble des prédicteurs (avec leur sigle et
une brève description) de NCEP/NCAR qui peuvent être utilisées dans le logiciel SDSM.

Tableau 26: Prédicteurs dans le modèle NCEP/NCAR ré-analysé.

Noms des Description des Noms des Description des
N° N°
prédicteurs prédicteurs prédicteurs prédicteurs
Force des vents
Ncep_mslp_eu Pression moyenne au
1 14 Ncep_p8f_eu géostrophiques à
* niveau de la mer
850 hPa
Force des vents Composante
2 Ncep_pf_eu géostrophiques à la 15 Ncep_p8u_eu zonale de vitesse
surface à 850 hPa
Composante zonale de Composante
3 Ncep_pu_eu vitesse à la surface 16 Ncep_p8v_eu méridienne de
(force des vents d’ouest) vitesse à 850 hPa
Composante méridienne
Tourbillon à 850
4 Ncep_pv_eu de vitesse à la surface 17 Ncep_p8z_eu
hPa
(vents du sud)
Direction du vent
5 Ncep_pz_eu Tourbillon à la surface 18 Ncep_p8th_eu
à 850 hPa
Direction du vent à la Divergence à 850
6 Ncep_pth_eu 19 Ncep_p8zh_eu
surface hPa
Hauteur
7 Ncep_pzh_eu Divergence à la surface 20 Ncep_p500_eu géopotentielle à
500 hPa
Hauteur
Force des vents
8 Ncep_p5 f_eu 21 Ncep_p850_eu géopotentielle à
géostrophiquesà 500 hPa
850 hPa
9 Ncep_p5 u_eu Composante zonale de 22 Ncep_r500_eu Humidité relative

127
 vitesse à 500 hPa à 500 hPa
Composante méridienne Humidité relative
10 Ncep_p5v_eu 23 Ncep_r850_eu
de vitesse à 500 hPa à 850 hPa
Humidité relative
11 Ncep_p5z_eu Tourbillon à 500 hPa 24 Ncep_rhum_eu près de la
surface
Humidité
Direction du vent à 500
12 Ncep_p5th_eu 25 Ncep_shum_eu spécifique près
hPa
de la surface
Température
13 Ncep_p5zh_eu Divergence à 500 hPa 26 Ncep_temp_eu moyenne à 2
mètres
Source : Riffai et al. (2015, p 4)

*NB: La désignation des variables (Ncep_mslp_eu par exemple) obéit à la règle suivante : les quatre
première lettres (Ncep) renvoie à la désignation de la base de données (ici Ncep/Ncar), les deux
dernières lettres (_eu) à la grille du modèle Ncep/Ncar d’où les données sont extraites et les lettres du
milieu (mslp) à la nature climatique de la variable (mslp : mean sea level pression).

Le choix des prédicteurs ܺ ௜ doit faire référence aux processus climatiques expliquant
le mieux l’évolution des variables météorologiques dans la région d’Oran. Cependant, il est
reconnu que l’évolution climatique à moyen terme en Afrique du Nord est rendue difficile à
prévoir du fait de la variabilité naturelle du climat. Comme le soulignent Riffai et al. (2015)
dans leur étude sur la région de Tanger, ‘La variabilité naturelle du climat méditerranéen,
notamment en ce qui concerne les précipitations, est un frein à des projections précises
surtout lorsqu’on s’intéresse aux projections climatiques à moyen terme’. Ceci est valable
pour les températures et surtout pour les précipitations.

Bien plus, et plus directement en rapport avec l’approche du downscaling, il n’y a pas
de consensus sur le choix le plus approprié des prédicteurs. Ainsi, à titre d’exemple, Wilby
(2005), étudiant la projection des précipitations dans la région de Agadir, retient comme
prédicteurs la pression au niveau de la mer ; l’humidité spécifique à 850 hPa, la hauteur
géopotentielle à 850 hPa et la composante méridienne de vitesse à 850 hPa alors que Riffai
et al.(2014), étudiant une région proche, celle de Tanger, retiennent comme prédicteurs la
pression au niveau de la mer ; la vitesse d’écoulement géostrophique à la surface ; la
composante méridienne de vitesse à 850 hPa ; les tourbillons à 850 hPa et l’humidité relative
à 850 hPa.

128
 Pour cette raison, nous nous sommes conformés à la démarche usuelle généralement
retenue pour sélectionner les prédicteurs adéquats : elle consiste à sélectionner parmi les 26
prédicteurs de la NCEP/NCAR ceux dont la corrélation avec les prédictants (températures et
précipitations dans la région d’étude d’Oran) est la plus forte.

Sur cette base, et après les calculs de corrélation –effectués par le logiciel SDSM-, nous
avons pu retenir pour les températures moyennes les prédicteurs issues du NCEP/NCAR
suivants :

― Force de la circulation géostrophique à la surface (ncep_pf) ;

― Hauteur géopotentielle à 500 hPa (ncep_p500) ;

― Humidité spécifique près de la surface (ncep_shum) ;

― Température moyenne à une hauteur de 2 mètres (ncep_temp).

La corrélation entre les valeurs de ces variables pour la maille centrée sur la région
d’étude (cf figure 43) et les températures moyennes de la région d’Oran est donnée par le
tableau 27 suivant :

Tableau 27: Corrélation entre les prédicteurs du NCEP/NCAR retenus et les températures
moyennes dans la région d’Oran (1980-2001)
Variables Codes NCEP/NCAR Coefficient de
corrélation

Force d’écoulement géostrophique à la Ncep_pf_eu -0.310

surface
Hauteur géopotentielle à 500 hPa Ncep_p500_eu 0.786

Humidité spécifique près de la surface Ncep_shum_eu 0.921

Température moyenne à une hauteur de Ncep_temp_eu 0.928

2 mètres

Ces mêmes prédicteurs sont retenus dans la fonction de transfert des températures
maximales et minimales. Les résultats du calcul de corrélations entre ces prédicteurs et les
températures maximales et minimales sont donnés dans le tableau 28 ci-dessous. Ils
révèlent une forte corrélation entre prédictant-prédicteurs dans le cas des températures

129
maximales. Toutefois, cette corrélation faiblit significativement pour les températures
minimales. On peut alors s’attendre à une précision plus faible s’agissant de la prévision des
températures locales minimales.

Tableau 28: Corrélation entre les prédicteurs du NCEP/NCAR retenus et les températures
maximales et minimales dans la région d’Oran (1980-2001)
Variables Codes Coef. de corrélation Coef. de corrélation
NCEP/NCAR temp. maximales temp. minimales

Force d’écoulement Ncep_pf_eu -0.374 -0.091

géostrophique à la surface
Hauteur géopotentielle à Ncep_p500_eu 0.804 0.240
500 hPa
Humidité spécifique près de Ncep_shum_eu 0.867 0.307
la surface
Température moyenne à Ncep_temp_eu 0.884 0.301
une hauteur de 2 mètres

3.3.5.3.3. Le calibrage des paramètres de la fonction de transfert des

températures

Une fois les prédicteurs identifiés se pose la question du calibrage des paramètres ߚ௜
de la fonction de transfert. L’estimation de ces paramètres dans l’équation (32 ci-dessous) a
été réalisée par la méthode de la régression linéaire multiple à l’aide du logiciel SDSM. La
période totale pour laquelle on dispose de données pour l’ensemble des variables s’étend de
1980 à 2001. En effet, les données réanalysées du NCEP/NCAR disponibles s’achèvent en
2001.

Cependant, dans la phase de calibrage des paramètres ߚ௜ de la fonction de transfert,

on a utilisé uniquement la sous période 1980-1995 comme période d’estimation. Ce choix
nous permet de réserver la sous-période suivante 1996-2001 à la validation externe des
estimations du point de vue de leur pouvoir de prévision qu’on détaillera dans la suite.

a. Le calibrage des paramètres de températures moyennes et sa précision

Tenant compte des prédicteurs retenus, la fonction de transfert (Eq. 31) se réécrit
sous la forme :

130
 ‫݌ ݉݁ݐ‬é‫݈݁ܽܿ݋݈݁ݎݑݐܽݎ‬௧ = ܿ‫݁ݐ݊ܽݐݏ݊݋‬+ ߚଵ݊ܿ݁‫ݑ݂݁_݌݌‬௧+ ߚଶ݊ܿ݁‫݌݌‬500݁‫ݑ‬௧ +
ߚଷ݊ܿ݁‫ݏ݌‬ℎ‫ݑ݁ ݉ݑ‬௧ + ߚସ݊ܿ݁‫ݑ݁݌ ݉݁ݐ݌‬௧ + ߝ௧ Équation32

Les valeurs des paramètres ߚ௜ s’obtiennent alors par la régression de la série des
températures locales sur la constante et les quatre variables constituant les prédicteurs. Les
résultats de ces régressions –donnant les valeurs des paramètres ߚ௜- sont présentés dans le
tableau 29 ci-dessous suivant que les données sont journalières ou bien trimestrielles ou
mensuelles.

Comme on l’a mentionné ci-dessus, le modèle journalier procède à une seule

estimation d’ensemble et utilise l’ensemble des données journalières disponibles, soit,
compte tenu des données climatiques manquantes, 5779 observations durant la période
1980-1996.

Le modèle trimestriel procède à quatre estimations, trimestre par trimestre. Chacune

de ces estimations correspond à un trimestre particulier, et utilise par exemple pour la
saison ‘hiver’ 1418 observations.

Enfin, le modèle mensuel procède séparément à douze estimations chacune pour un

mois particulier. Chaque estimation utilise quelques 480 observations suivant le mois
considéré.

Pour le modèle journalier auquel nous nous intéresserons le plus, les résultats du
calibrage nous permettent d’écrire la relation suivante à partir de la première ligne du
tableau 29.

(‫݌ ݉݁ݐ‬é‫ )ݕ݋ ݉݁ݎݑݐܽݎ‬௧ =

17.349 + 0.004 ∗ (݊ܿ݁‫ )ݑ݂݁݌_݌‬௧ + 0.163 ∗ (݊ܿ݁‫_݌‬500݁‫ )ݑ‬௧ + 1.987 ∗
(݊ܿ݁‫ݏ_݌‬ℎ‫ )ݑ݁ ݉ݑ‬௧ + 3.072 ∗ (݊ܿ݁‫ )ݑ݁݌ ݉݁ݐ_݌‬௧ Équation 33

avec les définitions suivantes des prédicteurs :

131
 Tableau 29: Calibrage des paramètres de la fonction de transfert
ࢼ૚ ࢼ૛ ࢼ૜ ࢼ૝
Nbr
Constant ࢔ࢉࢋ࢖ ࢔ࢉࢋ࢖ ࢔ࢉࢋ࢖ ࢔ࢉࢋ࢖
d’observations
࢖ࢌࢋ࢛ ࢖૞૙૙ࢋ࢛ ࢙ࢎ࢛࢓ ࢋ࢛ ࢚ࢋ࢓ ࢖ࢋ࢛

Modèle 17,349 0,004 0,163 1,987 3,072 5779

journalier

Hiver(DJF) 15.975 0.201 -0.499 2.098 3.142 1418

Printemps 18.446 0.026 0.848 1.264 2.9 1467

Modèle (MAM)
saisonnier Eté (JJA) 19.272 -0.657 0.473 0.695 2.714 1461

Automne 16.491 0.223 0.487 2.006 2.898 1433

(SON)
Janvier 15.389 0.225 -0.565 1.340 3.791 490

Février 16.613 0.422 0.261 2.809 1.690 447

Mars 17.908 0.193 0.957 1.417 2.564 494

Avril 17.940 0.048 1.258 1.293 1.303 480

Mai 18.516 -0.195 1.070 1.134 1.882 493

Juin 19.060 -0.732 0.933 0.422 2.596 476

Modèle
mensuel Juillet 20.897 -0.917 -0.810 0.283 3.093 496

Août 19.081 -0.374 1.014 0.663 2.568 489

Septembre 18.549 0.400 1.555 1.014 1.812 478

Octobre 16.955 0.251 0.809 1.696 2.183 486

Novembre 16.123 0.161 -0.048 2.008 2.926 469

Décembre 15.828 0.302 -0.684 1.431 4.415 481

― Ncep_pfeu :Force de la circulation géostrophique à la surface ;

― Ncep_500eu : Hauteur géopotentielle à 500 hPa ;

― Ncep_shumeu :Humidité spécifique près de la surface ;

― Ncep_tempeu : Température moyenne à 2 mètres.

132
 Les valeurs de ces prédicteurs sont données par le modèle de circulation globale
NCEP/CAR pour la grille correspondante à la région d’études d’Oran (cf figure 43).

b. Le calibrage des températures maximales et minimales

On rappelle qu’on a retenu pour les températures extrêmales la même spécification

de la fonction de transfert que pour les températures moyennes. Le résultat du calibrage
pour le modèle journalier des températures extrêmales est donné par le tableau 30 ci-
dessous :

Tableau 30: Calibrage des paramètres de la fonction de transfert des températures

extrêmales

Variables ߚଵ ߚଶ ߚଷ ߚସ
2 Nbr
climatiques R Constant ݊ܿ݁‫݌‬ ݊ܿ݁‫݌‬ ݊ܿ݁‫݌‬ ݊ܿ݁‫݌‬
d’observat.
locales ‫ݑ݂݁݌‬ ‫݌‬500݁‫ݑ‬ ‫ݏ‬ℎ‫ݑ݁݌ ݉݁ݐ ݑ݁ ݉ݑ‬

températures 0.80 23,023 - 0.385 1,056 0.858 3,405 5779

max

températures
0.79 12.106 0.523 -0.400 2.961 2.641 5779
min

Ainsi, les fonctions de transfert qui permettent de réduire les variables du modèle de
circulation globale NCEP/CAR à l’échelle de la région d’étude d’Oran s’écrivent (avec les
définitions des variables données ci-dessus):

(ܶ݁݉ ‫݌‬é‫ )ݏ݈݁ܽ ݉݅ݔܽ ݉ݏ݈݁ܽܿ݋݈ݏ݁ݎݑݐܽݎ‬௧ = 23.023 + 0.385 ∗ (݊ܿ݁‫ )ݑ݂݁݌_݌‬௧ + 1.056 ∗
(݊ܿ݁‫݌_݌‬500݁‫ )ݑ‬௧ + 0.858 ∗ (݊ܿ݁‫ݏ_݌‬ℎ‫ )ݑ݁ ݉ݑ‬௧ + 3.405 ∗ (݊ܿ݁‫ )ݑ݁݌ ݉݁ݐ_݌‬௧
Équation 34

(ܶ݁݉ ‫݌‬é‫ )ݏ݈݁ܽ ݉݅݊݅ ݉ݏ݈݁ܽܿ݋݈ݏ݁ݎݑݐܽݎ‬௧ = 12.106 + 0.523 ∗ (݊ܿ݁‫ )ݑ݂݁݌_݌‬௧ − 0.400 ∗
(݊ܿ݁‫݌_݌‬500݁‫ )ݑ‬௧ + 2.961 ∗ (݊ܿ݁‫ݏ_݌‬ℎ‫ )ݑ݁ ݉ݑ‬௧ + 2.641 ∗ (݊ܿ݁‫ )ݑ݁݌ ݉݁ݐ_݌‬௧
Équation 35

3.3.5.3.4. La validation du modèle calibré des températures

Après avoir calibré les paramètres des différents modèles de réduction d’échelle, il
convient de s’interroger sur la qualité des estimations des paramètres obtenues. Pour cela,
on considère deux types de validation du calibrage :
133
 ― Le premier utilise les observations dans l’échantillon des données utilisés pour
l’estimation (validation interne) et consiste à comparer les valeurs simulées par le
modèle durant la période d’estimation 1980-1995 avec les données observées durant
cette même période.

― Le deuxième type de validation utilise des données extérieures à la période

d’estimation. Il consiste à valider les résultats du calibrage du point de vue de sa
capacité de prévision. Pour cela, on compare les prévisions du modèle sur la période
1996-2001 avec les observations climatiques sur cette même période. Il s’agit d’une
validation externe car elle est extérieure à la période d’estimation.

1980 1995 2001

Valeurs simulées par le modèle Prévisions du modèle

Observations à l’intérieur de l’échantillon Observations extérieurs à l’échantillon

Validation interne à l’échantillon validation externe

(Qualité de l’ajustement) (Qualité de la prévision)

a. La validation interne du calibrage des fonctions de transfert des

températures

 La validation interne de la fonction de transfert des températures

moyennes

Dans le but d’évaluer la qualité du calibrage du point de vue de l’ajustement des

estimations aux données d’observation, la figure 44 suivante présente dans un même
graphe les simulations réalisées à l’aide du modèle journalier et les observations des
températures dans la station climatique d’Es-Sénia sur la période d’estimation allant du
1/01/1980 au 31/12/1995.

En vue de rendre le graphe plus lisible, on a agrégé les observations et les simulations
en présentant leur moyenne annuelle:
134
 20
temperature moyenne
15
10
5
0

1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
temp. observé temp. simulé

Figure 44: Validation interne des températures moyennes

On constate à partir de ce graphique que les températures annuelles estimées sont

assez proches des valeurs observées.

 La validation interne des températures extrêmales.

La même procédure de validation interne a été appliquée aux températures

extrêmes (températures maximales et températures minimales) en rapportant les
estimations de ces températures sur la période 1980-1995 aux données d’observation sur la
même période avec les résultats présentés dans les deux graphes (figures 45 a et b) ci-
dessous :

135
 a) Températures maximales b) Températures minimales

25
25

20
temperature minimale
temperature maximale
20

15
15

10
10

5
5

0
0

1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
temp. observées temp simulées temp.observées temp. simulées

Figure 45: Validation interne des températures extrêmes

On constate que les températures maximales sont légèrement mieux reproduites que
les températures minimales bien que dans l’ensemble, on peut dire que la qualité de
l’ajustement à l’intérieur de l’échantillon est acceptable.

b. La validation externe des températures

La procédure de validation externe du modèle qui consiste à comparer les prévisions de

la fonction de transfert aux observations est menée suivant les deux étapes suivantes :

― Dans la première étape, on calcule les prévisions climatiques de la région d’Oran pour
la période 01/01/1996-31/12/2001 ;

― Dans la deuxième étape, on compare ces prévisions aux observations climatiques

dans la région durant la même période 01/01/1996-31/12/2001.

 La validation externe des températures moyennes

A cet effet, la figure 46 ci-dessous présente le résultat obtenu pour ces deux étapes
en comparant les prévisions de température moyenne du modèle aux observations de la
station d’Oran durant la période 01/01/1996-31/12/2001.

Comme précédemment, on a agrégé les résultats en moyenne annuelle afin de

rendre les graphiques plus lisibles.

136
 20
15
temperature moyenne
10
5
0

1996 1997 1998 1999 2000 2001

temp. observées temp. prévues

Figure 46: Validation externe des températures moyennes

La qualité de la prévision est là encore largement acceptable, les prévisions de

température s’ajustant de manière assez précise aux observations sur la période étudiée.

 La validation externe des températures extrêmales

La même procédure de validation externe rappelée plus haut est appliquée aux
températures maximales et minimales. Elle fournit les résultats suivants présentés dans les
deux graphes (figures 47 a et b) ci-dessous.

a) Températures maximales b) Températures minimales

25

25
20

20
temperature maximale

temperature minimale
15

15
10

10
5

5
0

1996 1997 1998 1999 2000 2001 1996 1997 1998 1999 2000 2001
temp. observées temp. prévues temp. observées temp. prévues

Figure 47: Validation externe des températures extrêmes

On observe là encore que le calibrage de la fonction de transfert des températures

journalières extrêmales donne une bonne qualité des prévisions tant pour ce qui est des
températures maximales que des températures minimales.

137
 En conclusion, le calibrage des différentes fonctions de transferts (33), (34) et (35) se
rapportant aux températures moyennes, minimales et maximales peut être utilisé pour
réduire à l’échelle de la région d’étude d’Oran les prévisions données par les modèles de
circulation globale.

3.3.5.4. La détermination de la fonction de transfert: forme, calibrage et

validation : le cas des précipitations

On applique pour la variable des précipitations la même démarche pour déterminer

la forme, le calibrage et la validation de la fonction de transfert que celle utilisée pour les
températures.

3.3.5.4.1. Formes de la fonction de transfert et sélection des prédicteurs

Comme nous l’avons déjà relevé, la sélection des prédicteurs des précipitations est
plus difficile que celle des températures. Ainsi, Hessami et al., dans leur présentation d’une
méthode automatisée du choix des prédicteurs des précipitations dans la procédure du
dowscaling soulignent à propos des faibles coefficients de corrélation qu’ils obtiennent que
‘these relatively low explained variances underline the difficulty to downscale the
precipitation regime compared to the temperature.’ Hessami et al. (2008, p819). On doit
s’attendre donc à une plus faible qualité des résultats.

Comme pour les températures, on retient une forme linéaire de la fonction de

transfert. Alors, l’observation des corrélations entre le volume des précipitations et les
prédicteurs potentiels successifs de la base du NCEP/NCAR amène à retenir comme
prédicteurs les variables climatiques suivantes :

Tableau 31: Corrélation entre les prédicteurs du NCEP/NCAR retenus et les précipitations
(1980-2001)
Coef. de corrélation
Variables Codes NCEP/NCAR
précipitations
Pression au niveau moyen de la mer Ncep_msl_peu -0.14
Tourbillon à 850 hPa Ncep_p8_z_eu 0.23
Hauteur géopotentielle à 500 hPa Ncep_p500_eu -0.21
Humidité relative à 500 hPa Ncep_shum_eu -0.10

138
La fonction de transfert qu’on retient s’écrit donc :

ܲ‫ݎ‬éܿ݅‫݈݁ܽܿ݋݈ݏ݊݋݅ݐܽݐ݅݌‬௧ = ܿ‫݁ݐ݊ܽݐݏ݊݋‬+ ߚଵ݊ܿ݁‫ݑ݁݌_݈ݏ ݉_݌‬௧+ ߚଶ݊ܿ݁‫݌_݌‬8_‫ݑ݁_ݖ‬௧ +

ߚ3݊ܿ݁‫݌_݌‬500_݁‫ݐݑ‬+ ߚ4݊ܿ݁‫ݏ_݌‬ℎ‫ݐݑ݁_ ݉ݑ‬+ ߝ‫ݐ‬ Équation 36

3.3.5.4.2. Calibrage de la fonction de transfert

L’estimation des paramètres de la fonction de transfert (36) a été effectuée par la

méthode de la régression linéaire multiple sur la sous-période 01/01/1982 à 31/12/1995, la
période allant de l’année 1996 à 2001 ayant été réservée pour la validation externe du
calibrage18.

Les résultats du calibrage des paramètres de cette fonction de transfert sont donnés
dans le tableau 32 ci-dessous :

Tableau 32: Calibrage des paramètres du Modèle journalier des précipitations

ߚଵ ߚଶ ߚଷ ߚସ
Nombre
R2 Constante Ncep_ Ncep_ Ncep_p Ncep_
d’obs.
mslp p8_z 500 shum

Précipitations 0.13 0,88 0.08 0,67 -1.29 0,68 5633

La fonction de transfert qui réduit les variables du modèle de circulation globale

NCEP/CAR à l’échelle de la région d’étude d’Oran s’écrit donc :

(ܲ‫ݎ‬éܿ݅‫ )ݏ݈݁ܽܿ݋݈ݏ݊݋݅ݐܽݐ݅݌‬௧ = 0.88 + 0.08 ∗ (ܰܿ݁‫ )݌݈ݏ ݉_݌‬௧ + 0.67 ∗ (ܰܿ݁‫݌_݌‬8_‫ )ݖ‬௧ −
1.29 ∗ (ܰܿ݁‫݌_݌‬500) ௧ + 0.68 ∗ (ܰܿ݁‫ݏ_݌‬ℎ‫ ) ݉ݑ‬௧ Équation 37

avec la définition des variables climatiques du NCEP/CAR donnée dans le tableau 26 ci-
dessus.

3.3.5.4.3. Validation interne et externe du calibrage des paramètres des

précipitations

Afin d’illustrer la qualité du calibrage des paramètres de la fonction de transfert des

précipitations sur la période 01/01/1982 au 31/12/1995, on présente les figures suivantes:

18
On a dû supprimer l’année 1980 et 1981 car la plupart des données sur les précipitations dans la
station d’Es-Sénia pour ces deux années sont manquantes.

139
 ― Les premières comparent les simulations des précipitations dans la région d’étude
durant la période 01/01/1982 au 31/12/1995 avec les observations sur la même
période (figure 48 a) et donnent la valeur absolue de l’écart en pourcentage entre les
simulations et les observations (figure 48 b)

a) Précipitations observées et simulées (mm/j) b) Ecart entre précip. observées et

simulées (en %)

100
Précipitations journalières moyenne

observées et simulées en %ge

80
.8

Ecart précipitations
par année

60
.4 .6

40
.2

20
0

1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995

1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Précip. observées Précip. simulées

Figure 48: Validation interne des précipitations

― Les secondes comparent, dans le cadre de la validation externe, les prévisions des
précipitations données par la fonction de transfert sur la période allant du
01/01/1996 au 31/12/2001avec les observations sur la même période sur la région
d’étude (figure 49 a) et donnent la valeur absolue de l’écart en pourcentage entre les
observations et les prévisions (figure 49 b)

a) Précipitations observées et prévues (mm/j) b) Ecart entre précip. observées et prévues (%)
100
Précipitations journalières moyenne

observées et prévues en %ge

80
.8

Ecart précipitations
par année

60
.4 .6

40
.2

20
0

1996 1997 1998 1999 2000 2001

0

Précip. observées Précip. prévues

1996 1997 1998 1999 2000 2001

Figure 49: Validation externe des précipitations

140
 Là encore, les observations ainsi que les prévisions et les simulations sont agrégés par
année fin de présenter afin d’obtenir des graphes lisibles.

En résumé, les fonctions de transfert validées que nous utiliserons pour réduire, à
l’échelle de la région d’Oran, les prévisions climatiques données par les modèles de
circulation globale à l’horizon 2099 sont récapitulées dans l’encadré suivant :

Encadré : fonctions de transfert des différentes variables climatiques pour la région d’Oran

− Pour les températures moyennes :

(‫݌ ݉݁ݐ‬é‫ )ݕ݋ ݉݁ݎݑݐܽݎ‬௧

= 17.349 + 0.004 ∗ (݊ܿ݁‫)ݑ݂݁݌_݌‬௧ + 0.163 ∗ (݊ܿ݁‫_݌‬500݁‫ )ݑ‬௧ + 1.987
∗ (݊ܿ݁‫ݏ_݌‬ℎ‫ )ݑ݁ ݉ݑ‬௧ + 3.072 ∗ (݊ܿ݁‫ )ݑ݁݌ ݉݁ݐ_݌‬௧

-- Pour les températures maximales :

(ܶ݁݉ ‫݌‬é‫)ݏ݈݁ܽ ݉݅ݔܽ ݉ݏ݈݁ܽܿ݋݈ݏ݁ݎݑݐܽݎ‬௧ = 23.023 + 0.385 ∗ (݊ܿ݁‫)ݑ݂݁݌_݌‬௧ + 1.056 ∗

(݊ܿ݁‫݌_݌‬500݁‫ )ݑ‬௧ + 0.858 ∗ (݊ܿ݁‫ݏ_݌‬ℎ‫ )ݑ݁ ݉ݑ‬௧ + 3.405 ∗ (݊ܿ݁‫)ݑ݁݌ ݉݁ݐ_݌‬௧

− Pour les températures minimales :

(ܶ݁݉ ‫݌‬é‫ )ݏ݈݁ܽ ݉݅݊݅ ݉ݏ݈݁ܽܿ݋݈ݏ݁ݎݑݐܽݎ‬௧ = 12.106 + 0.523 ∗ (݊ܿ݁‫ )ݑ݂݁݌_݌‬௧ − 0.400 ∗
(݊ܿ݁‫݌_݌‬500݁‫ )ݑ‬௧ + 2.961 ∗ (݊ܿ݁‫ݏ_݌‬ℎ‫ )ݑ݁ ݉ݑ‬௧ + 2.641 ∗ (݊ܿ݁‫)ݑ݁݌ ݉݁ݐ_݌‬௧

− Pour les précipitations journalières :

(ܲ‫ݎ‬éܿ݅‫ )ݏ݈݁ܽܿ݋݈ݏ݊݋݅ݐܽݐ݅݌‬௧
= 0.88 + 0.08 ∗ (ܰܿ݁‫ )݌݈ݏ ݉_݌‬௧ + 0.67 ∗ (ܰܿ݁‫݌_݌‬8_‫ )ݖ‬௧ − 1.29
∗ (ܰܿ݁‫݌_݌‬500) ௧ + 0.68 ∗ (ܰܿ݁‫ݏ_݌‬ℎ‫ ) ݉ݑ‬௧

3.3.5.5. Les prévisions de changement climatique dans la Wilaya d’Oran par

réduction d’échelle des GCM : 2011-2099

Pour déterminer les prévisions climatiques à l’échelle de la région d’Oran, on

commencera par donner quelques caractéristiques du MCG utilisé et des scénarios retenus

141
avant de présenter les simulations d’impacts de ces scénarios sur les températures
moyennes et extrêmales ainsi que sur les précipitations dans la région d’étude.

3.3.5.5.1. Les hypothèses

Les différentes fonctions de transferts rappelées dans l’encadré ci-dessus décrivent des
relations passées entre les variables climatiques locales ‫ݕ‬௧ et les prédicteurs qui sont des
variables climatiques ܺ௧௜ issues du GCM (NCEP/CAR):

ܸ௧ = ݂൫ܺ௧௜൯ avec ‫ =ݐ‬01/01/1980 ,…., 31/12/2001

Pour réaliser les prévisions climatiques locales ܻ௧ (températures et précipitations) pour les
dates futures jusqu’en 2099 par la méthode du dowscaling statistique, on suppose que ces
mêmes relations restent vérifiées durant toute notre période de prévisions :

ܸ௧ = ݂(ܺ௧௜) avec ‫ =ݐ‬01/01/2011,…., 31/12/2099.

Cependant, nous n’utiliserons plus les variables ܺ௧௜ issues du modèle de circulation
global NCEP/CAR) mais les mêmes variables ܺ௧௜ issues du modèle de circulation globale
HadCM3 pour lesquelles on dispose des projections jusqu’en 2099.

3.3.5.5.2. Quelques caractéristiques du modèle HadCM3 utilisé.

Le modèle de circulation globale HadCM3 (Hadley Centre Coupled Model, version 3)
est celui que nous utiliserons pour la réduction d’échelle au niveau de la wilaya d’Oran. Il est
la troisième version du modèle de circulation globale atmosphérique-océanique couplé
(AOGCM) élaboré par le Centre de Hadley au Royaume Uni.

Ce modèle est un des plus importants modèles climatiques utilisé par l’lnternational
Panel for Climate Change (IPCC). Il a ainsi été l’un des principaux modèles utilisé pour le
troisième et quatrième rapport d’évaluation de l’IPCC.

Comme pour l’ensemble des GCM, celui-ci est construit sur une échelle large de
plusieurs centaines de kilomètres. La composante atmosphérique (HadAM3) du modèle
possède 19 niveaux de résolution de 2.5 degrés de latitude par 3.75 degrés de longitude
produisant une résolution spatiale d’environ 417 km x 278 km à l’Equateur se réduisant à
295 km x 278 km à environ 45 degrés de latitude.19

19
http://www.ipcc-data.org/sres/hadcm3_info.html

142
 La composante océanique (HadOM3) possède 20 niveaux avec une résolution de 1.25
x 1.25 degrés. A cette résolution, il est possible de représenter d’importants détails dans la
structure des courants marins des océans.

Ce modèle, développé en 1999, a été le premier modèle climatique qui n’a pas
nécessité de flux d’ajustement ‘artificiels’ pour produire de bonnes simulations ne dérivant
pas vers des situations climatiques irréalistes (Gordon et al. , 2000).

Les simulations dans ce modèle utilisent un calendrier de 360 jours où chaque mois
possède 30 jours et se prolonge jusqu’à l’horizon du 30/12/2099.

Tableau 33 : Quelques données sur le modèle de circulation globales HadCM3

SRES Scénario
Résolution Données Echelle
d’émission de gaz à
spatiale disponibles calendaire
effet de serre

HadCM3 2.5°x3.75° A2, B2 1950-2099 360j /an

Source: Ardoin-Bardin et al., (2000 p 437).

3.3.5.5.3. Les scénarios étudiés

Avant d’aborder l’étape de projection des variables climatique, il est nécessaire de
préciser les scénarios qu’on utilise. Ces derniers se rapportent à l’évolution attendue de
certaines variables (économiques, technologiques, démographiques et environnementales
notamment l’émission de gaz à effet de serre) qui influencent l’évolution future des
prédicteurs ܺ௧௜.

Les scénarios utilisés sont ceux élaborés par l’IPCC dans le Special Report on Emission
Scenarios (SRES). Ceux-ci sont des représentations de ce que pourrait être le monde en
2100. Cependant, les facteurs affectant les émissions de gaz à effets de serre sont nombreux
et complexes ainsi que le souligne le Rapport spécial de l’IPCC: ‘Future greenhouse gas
emissions are the product of very complex dynamic systems, determined by driving forces
such as demographic development, socio-economic development, and technological change.’
(IPCC, 2000, p3).

Chaque scénario de l’IPCC développé va alors représenter des développements

différents de l’évolution démographique, environnementale, sociale, économique et

143
technologique dans le monde. Ces scénarios sont regroupés en quatre familles, chacune
d’elle pouvant contenir plusieurs groupes de scénarios (tableau 34).

Tableau 34: Aperçu de quelques forces motrices et des émissions de CO2 en 1990, 2020,
2050 et 2100 dans les scénarios du SRES
Famille de scénarios A1 A2 B1 B2

Groupe de scénarios 1990 A1F1 A1B A1T A2 B1 B2

Population (milliards) 5.3

2020 7.6 7.5 7.6 8.2 7.6 7.6

2050 8.7 8.7 11.3 8.7 9.3

2100 7.1 7.1 7 15.1 7 10.4

Produit intérieur brut (PIB) mondial (1012

21
$US)

2020 53 56 57 41 53 51

2050 164 181 187 82 136 110

2100 525 529 550 243 328 235

Part de l’énergie non carbonée dans

18
l’énergie primaire (%)

2020 15 16 21 8 21 18

2050 19 36 43 18 30 30

2100 31 65 85 28 52 49

Dioxyde de carbone, combustible fossiles

6
(GtC/an)

2020 11.2 12.1 10 11 10 9

2050 23.1 16 12.3 16.5 11.7 11.2

2100 30.3 13.1 4.3 28.9 5.2 13.8

Source : IPCC (2000, p13)

Dans notre travail, nous nous intéresserons aux scénarios A2 et B2.

144
 Comme on le voit dans le tableau ci-dessus, le scenario A2 décrit un monde futur
dans lequel :

― l’évolution économique du PIB est relativement faible,

― la population mondiale croit rapidement sans transition démographique marquée,

― les nouvelles technologies plus efficaces (énergie renouvelables) ne sont introduites

que lentement, la part de l’absence de carbone (carbone zéro) dans l’énergie
primaire étant la plus faible des scénarios à l’horizon 2100

― et en conséquence une émission de gaz à effet de serre relativement élevée.

Le scénario B2 est moins pessimiste et décrit un monde où les évolutions sont moins
extrêmes :

― La population mondiale s'accroît de manière continue mais à un rythme plus faible

que dans A2 ;

― Il y a des niveaux modérés de développement économique ;

― l'évolution technologique est diversifiée et favorise l’efficience de l’utilisation de

l’énergie avec un développement des énergies non carbonées ;

― La part de l’énergie non carbonée évolue de 18% du total des énergies primaires en
2020 à près de la moitié (49%) en 2100 ;

― L’émission de dioxyde de carbone (gaz à effet de serre) sera également plus faible
que dans le scénario précédent passant de 28.9 GtC/an à seulement 13.8 GtC/an en
2100.20

3.3.5.5.4. Les simulations d’impact des scénarios climatiques A2 et B2 sur la

région d’Oran

La démarche pour déterminer les prévisions des variables climatiques de la région

d’Oran (température moyenne, maximale et minimale ainsi que les précipitations) consiste à
réduire les prévisions données par HadCM3 pour la grille correspondant à la région d’Oran
(figure 43) à l’aide des fonctions de transferts calibrées pour chacune des variables
climatiques considérées.

20
1 GtC égale 1 gigatonne (1 milliard d tonne de carbone).

145
 On exposera successivement les prévisions de températures puis des précipitations.
La période de prévision est 2011-2099. On divisera parfois celle-ci en trois sous-périodes :
2011-2035 ; 2036-2065 et 2066-2099.

a. Les prévisions de températures

 Les températures moyennes

La réduction des prévisions de températures moyennes de HadCM3 à l’échelle de la

région d’Oran conduit aux prévisions locales de températures journalières suivantes –
agrégés annuellement - dans le cas des deux scénarios retenus A2 et B2 (figures 50 a et b) :

a- Scénario A2
12 13 14 15 16 17 18 19 20 21 22
temperature annuelle moyenne
SCENARIO A2

2011 2021 2031 2041 2051 2061 2071 2081 2091 2101
annee

b- Scénario B2
12 13 14 15 16 17 18 19 20 21 22
temperature annuelle moyenne
SCENARIO B2

2011 2021 2031 2041 2051 2061 2071 2081 2091 2101
annee

Figure 50: Prévisions des températures annuelles dans la région d’Oran : 2011-2099

146
 Comme attendu, on constate un réchauffement climatique au vu de la tendance
croissante observée sur les figures pour les deux scénarios A2 et B2. La hausse de la
température est de l’ordre de 2.5 à 3 degré pour le scénario A2 à l’horizon 2099. Toutefois,
compte tenu de la plus faible émission de carbone dans le scénario B2, la hausse de la
température sur le long terme est moins prononcée dans ce dernier scénario de l’ordre de
1.5 à 2 degré à l’horizon 2099. Comme le montre le graphe ci-dessous (figure 52) qui
compare les températures moyennes dans les deux scénarios A2 et B2, les différences de
températures entre ces deux scénarios s’accentuent surtout lors de la deuxième demi
période à partir de 2060:
22
Températures moyennes
18 16 20
2011

2021

2031

2041

2051

2061

2071

2081

2091

2101
Années

Temp_moy A2 Temp_moy B2

Figure 51: Comparaison des prévisions de températures moyennes annuelles par scénarios

Afin de préciser davantage ces résultats, on a agrégé les températures journalières

projetés par sous-périodes et par trimestre afin d’illustrer le changement climatique par
saison. Les tableaux suivants présentent ces résultats par période de trente ans centrée sur
les années 2020, 2050 et 2080 suivant les scénarios A2 (tableau 35) et B2 (tableau 36) et
regroupés dans la figure 52 :

Tableau 35: Prévisions de température par décades et saisons: Scénario A2

Décades Hiver Printemps Eté Automne
1981-2006 13.4 14.5 20.7 19.4
2006-2035 14.1 15.0 21.7 20.3
2036-2065 14.8 15.6 22.4 21.3
2066-2095 16.3 16.8 23.9 23.1

147
 Tableau 36: Prévisions de température par décades et saisons: Scénario B2
Décades Hiver Printemps Eté Automne
1981-2006 13.4 14.5 20.7 19.4
2006-2035 14.2 15.0 21.6 20.3
2036-2065 14.9 15.4 22.3 21.1
2066-2095 15.4 16.1 23.1 22.1
NB : Hiver : DJF ; Printemps : MAM ; Eté : JJA ; Automne : SON
Températures moyennes journalières
0 5 10 15 20 25

1961-2006
2006-2035
2036-2065
2066-2099

1961-2006
2006-2035
2036-2065
2066-2099

1961-2006
2006-2035
2036-2065
2066-2099

1961-2006
2006-2035
2036-2065
2066-2099
1hiver 2printemps 3été 4automne
Scénario A2 Scénario B2

Figure 52: Comparaison des prévisions de températures moyennes

par scénarios et par saison

On observe ainsi un moindre réchauffement de près d’un degré dans le scenario B2

comparativement au scénario A2 principalement dans le long terme durant les décennies
2066-2095.

 Les températures extrêmes

Dans le prolongement des prévisions des températures moyennes, les figures

suivantes présentent les prévisions des températures maximales (figures 53 a – b) et
minimales (figures 54 a – b) pour la région d’Oran respectivement sous les deux scénarios
retenus A2 et B2.

148
 a- Scénario A2 b- Scénario B2
28

28
16 18 20 22 24 26

16 18 20 22 24 26
Temperature annuelle maximale

Temperature annuelle maximale

Scénario A2

Scénario B2
14

14
12

12
2011 2021 2031 2041 2051 2061 2071 2081 2091 2101 2011 2021 2031 2041 2051 2061 2071 2081 2091 2101
annee annee

Figure 53: Evolution des températures annuelles maximales: 2011-2099

a- Scénario A2 b- Scénario B2
18
18
temperature annuelle minimale

temperature annuelle minimale

16

16
Scénario A2

Scénario B2
14

14
12

12
10

10

2011 2021 2031 2041 2051 2061 2071 2081 2091 2101 2011 2021 2031 2041 2051 2061 2071 2081 2091 2101
annee annee

Figure 54: Evolution des températures annuelles minimales: 2011-2099

Ainsi qu’il apparaît dans ces graphiques, les températures maximales et minimales
suivent une même tendance croissante dans les deux scénarios A2 et B2. Elles montrent un
réchauffement climatique mais avec là encore une accentuation de la hausse des
températures dans le scénario A2 comparativement au scénario B2.

Enfin, comme on le voit dans les tableaux 37 et 38 ci-dessous, une décomposition de

l’évolution des températures en sous-périodes montre qu’entre les périodes 1980-2006 et

149
2066-2099, les températures extrêmales augmentent d’environ 3 degrés dans le scénario A2
et 2 degrés dans le scénario B2. Ces températures augmentent relativement plus en
automne et à un degré moindre en été que ce soit dans le scénario A2 ou B2.

Tableau 37: Projections des températures maximales moyennes par saison

Scénario A2 Scénario B2
décades
Hiver Print. Eté Automne Hiver Print. Eté Automne
1981-2006 19.6 20.5 26.6 25.3 19.6 20.5 26.6 25.3
2006-2035 20.4 21.0 27.5 26.1 20.4 21.1 27.6 26.2
2036-2065 21.1 21.6 28.2 27.1 21.1 21.5 28.2 27.0
2066-2095 22.6 23.1 29.7 28.8 21.7 22.3 28.9 27.9
Accroissement 3.0 2.6 3.1 3.5 1.8 1.7 2.0 2.5

Tableau 38: Projections des températures minimales moyennes par saison

Scénario A2 Scénario B2
décades
Hiver Print. Eté Automne Hiver Print. Eté Automne
1981-2006 8.4 9.6 15.9 14.0 8.4 9.6 16. 14.
2006-2035 9.0 10.1 16.9 14.9 9.1 10.1 16.9 15.0
2036-2065 9.7 10.6 17.7 15.9 9.8 10.5 17.6 15.7
2066-2095 11.0 11.8 19.3 17.7 10.2 11.1 18.5 16.8
Accroissement 2.6 2.2 3.4 3.7 1.5 1.4 2.3 2.6

b. Les prévisions des précipitations

La même démarche a été adoptée pour la prévision des précipitations à l’horizon

2099 dans la région d’Oran. La fonction de transfert calibrée et validée reprise dans
l’encadré ci-dessus a été utilisée pour réduire l’échelle de la prévision du modèle de
circulation globale HadCM3 dans la maille correspondante à la région d’étude (figure 53).

Les résultats obtenus sont reportés dans les figures 55 a-b pour les scénarios A2 et
B2.

150
 Précipitations journalière moyenne par année
a- Scénario A2
.2 .3 .4 .5 .6 .7 .8 .9 1
Scénario A2

2011 2021 2031 2041 2051 2061 2071 2081 2091 2101
annee

Scénario B2
Précipitations journalière moyenne par année

1
.9
.8
Scénario B2
.7
.6
.5
.4
.3
.2

2011 2021 2031 2041 2051 2061 2071 2081 2091 2101
annee

Figure 55: Evolution des précipitations journalières moyennes dans la région

d’Oran (mm/j) : 2010-2099

Comme le montre la figure 56, les deux scénarios conduisent à une baisse importante
des précipitations avec, comme attendu, une diminution plus prononcée pour le scénario A2
en fin de période. Ces prévisions de baisse des précipitations sont conformes aux résultats
des études à grande échelle qui ont conclu que les changements climatiques conduisent à
une rareté des précipitations en Afrique du Nord (Arnell, 2004 ; Milly et al., 2005).

151
 1.2
1
.8
.6
.4

2010 2020 2030 2040 2050 2060 2070 2080 2090 2100
annee
Scénario B2 Scénario A2

Figure 56: Comparaison des prévisions de précipitations journalières moyennes par

scénarios (mm/j)

Afin de préciser ces écarts de précipitation, on a décomposé, comme nous l’avons fait
pour les variables de température, la période d’étude en décades avec les résultats donnés
dans les tableaux 39 et 40 suivant les saisons :

Tableau 39: Prévisions des précipitations (mm/j) par décades et saisons: Scénario A2
Décades Hiver Print. Automne
1981-2006 1.21 0.91 1.18
2006-2035 1.10 1.22 0.85
2036-2065 1.03 1.07 0.76
2066-2095 0.84 0.68 0.60
Accroissement (%)
-31% -26% -49%
(2066-2099)/(1981-2006)

Tableau 40: Prévisions des précipitations (mm/j) par décades et saisons: Scénario B2
Décades Hiver Print. Automne
1981-2006 1.21 0.91 1.18
2006-2035 1.15 1.12 0.84
2036-2065 1.06 1.04 0.77
2066-2095 0.95 0.87 0.72
Accroissement (%)
-21% -4% -39%
(2066-2099)/(1981-2006)

On constate une diminution importante des précipitations notamment en automne

surtout dans le scénario A2 entre la période 1981-2006 et la période 2066-2099. Cette baisse

152
peut paraître à première vue trop accentuée. Cependant, on peut observer qu’elle rejoint
dans son ensemble les prévisions de précipitations de Wilby pour Tanger dans l’atlas
marocain qui est une région nord-africaine voisine de la wilaya d’Oran. En effet, dans son
étude sur les enjeux du changement climatique en environnement aride, Wilby (2005)
aboutit aux prévisions suivantes de baisse de précipitations pour la région de Tanger :

A2 B2
Décades Hiver Print. Automne Hiver Print. Automne
Accroissement
-10% -39% -36% -1% -30% -20%
(2080s)/(1961-1990)

Source :Wilby (2005)

En conclusion, nous avons étudié dans ce chapitre deux approches différentes

permettant de projeter les variables climatiques de la wilaya d’Oran sur un horizon de long
terme tout en présentant les formalisations statistiques et physiques à la base de ces deux
approches. Elles nous ont permis d’estimer le changement climatique dans notre région
d’étude à long terme, à l’horizon 2050 ainsi qu’à très long terme, à l’horizon 2099 pour ce
qui est de la deuxième approche.

Une comparaison succincte des résultats obtenus montre que ces deux approches
parviennent à des conclusions convergentes. Comme le montrent les figures 57 a et b ci-
dessous, bien que les projections à l’horizon 2050 par l’approche statistique (Box et Jenkins)
surestiment légèrement les températures et les précipitations, elles prédisent cependant
des écarts de même signe que ceux obtenus par l’approche du downscaling des GCM : les
températures augmenteront dans la wilaya d’Oran et les précipitations baisseront sur
l’horizon de notre prévision. Par ailleurs, les écarts prédits par les deux approches sont
sensiblement du même ordre de grandeur : soit, un accroissement de la température entre
0.5 et 1 degré à l’horizon 2050 comparativement à la période 2000-2010 et une diminution
de la pluviométrie journalière de 0.13 mm sur la même période correspondant à une baisse
mensuelle des précipitations de l’ordre de 4 mm et à une baisse annuelle de 50 mm environ
à l’horizon 2050.

153
 a- Températures (degré celsuis) b- Précipitations (mm/j)
19.5

1.2
Précipitations journalières
Températures annuelles
19

1.1
18.5

1
18

.9
17.5

.8
17

.7
2010 2020 2030 2040 2050 2010 2020 2030 2040 2050
annee annee
Snénario A2 Scénario B2 Scénario A2 Scénario B2
Box_Jenkins Box Jekins

Figure 57 : Comparaison des prévisions de changement climatique dans la région

d’Oran suivant les différentes approches (Box-Jenkins/SDSM_HadCM3)

Une des conséquences les plus immédiates de cette évolution à la baisse des
précipitations sera une moindre disponibilité dans la région d’Oran des ressources pour le
secteur de l’agriculture pour les décennies futures. De même, la hausse des températures
accroit l’évapotranspiration entraînant durant les décennies à venir une plus grande
demande de la ressource hydrique.

Il convient alors d’étudier plus en détails les conséquences de ces changements

climatiques sur l’évolution de l’hydrosystème pour permettre de mettre en œuvre les
mesures susceptibles d’atténuer les conséquences du changement climatique. C’est à cet
objectif que le dernier chapitre de ce travail sera consacré.

154
 CHAPITRE 4. L’IMPACT DU
CHANGEMENT CLIMATIQUE SUR LE
SYSTEME HYDROLOGIQUE ET SON
ATTENUATION

155
 INTRODUCTION

Si le chapitre précédent a permis d’établir des prévisions climatiques pour la wilaya

d’Oran, celles-ci ne sont pas une fin en soi. Elles n’ont de valeur que lorsqu’on les utilise pour
évaluer leur impact sur l’équilibre hydrologique de la région, c’est-à-dire sur la préservation
des ressources hydrologiques compte tenu de l’évolution des besoins des différents
secteurs : ménages, agriculture ou industrie.

C’est pourquoi ce chapitre, s’intéressant au secteur agricole, prolonge l’analyse

précédente à deux niveaux :

― Pour rappel, l’analyse précédente a établi une prospective du système hydrologique

de la wilaya d’Oran (chapitre 2) en supposant un climat stationnaire. Dans ce
chapitre, on prend en compte le changement climatique en intégrant les prévisions
climatiques établies précédemment dont on a vu qu’elles ont une grande importance
dans l’évolution climatique de la région.

― L’analyse jusque-là a été menée sur la base d’un modèle hydrologique simple de
pluie-débit où le fractionnement des pluies entre le ruissellement de surface et la
percolation profonde était donné de façon exogène. Nous intégrons dans ce chapitre
nos résultats sur le changement climatique dans un modèle hydrologique plus riche
(un modèle à deux réservoirs) qui permet de mieux rendre compte des processus
hydrologiques en cours dans les bassins versants.

Aussi, la première section de ce chapitre présente le nouveau cadre de modélisation,

en l’occurrence un modèle pluie-débit à deux réservoirs (‘two-buckets model) qui prolonge
celui qui nous avons jusque-là utilisé pour déterminer le ruissellement de surface et la
percolation profonde.

La seconde section présente les canaux attendus par lesquelles le changement

climatique impacte l’hydrosystème dans les deux scénarios A2 et B2 que nous avons retenu.

La troisième section présente des simulations d’impact du changement climatique

sur notamment le rythme d’exploitation des nappes souterraines et présente des voies de
son atténuation.

156
 4.1. PRESENTATION DU MODELE PLUIE-DEBIT (SOIL
MOISTURE) UTILISE

Jusqu’à présent, le modèle d’écoulement pluie-débit utilisé supposait que :

― Les seules formes d’écoulement des précipitations non soumises à

l’évapotranspiration étaient le ruissellement de surface ou la percolation profonde
d’une part et d’autre part ;

― que le coefficient de fractionnement entre ces deux formes d’écoulement

(ruissellement et percolation) était fixe.

Ce modèle peut être schématisé comme suit (figure 58) :

Précipitations effectives Evapotranspiration

Ruissellement de surface

Percolation profonde

Figure 58 : Schématisation du modèle simple pluie-débit

Ce système hydrologique est ainsi régi par une équation simple (Cf. équations 18 et 19 ci-dessus):

ܴ‫= ݂݁ܿܽݎݑݏ݁݀ݐ݊݁ ݈݉݁݁ݏݏ݅ݑ‬ ߙ (ܲ‫ݎ‬éܿ݅‫݁ݒ݅ݐ݂݂ܿ݁݁ ݊݋݅ݐܽݐ݅݌‬− ‫)݊݋݅ݐܽݎ݅݌ݏ݊ܽݎݐ݋݌ܽݒܧ‬

‫݊݋݅ݐ݈ܽ݋ܿݎ݁݌‬ = (1 − ߙ)(ܲ‫ݎ‬éܿ݅‫݁ݒ݅ݐ݂݂ܿ݁݁ ݊݋݅ݐܽݐ݅݌‬− ‫)݊݋݅ݐܽݎ݅݌ݏ݊ܽݎݐ݋݌ܽݒܧ‬

157
 Nous avons dû utiliser ce modèle précédemment car il nous permettait d’introduire
différents scénarios comme les variantes sur les techniques d’irrigation ou les pertes dans les
liaisons de transmission.

Cependant, il s’agit d’une description simplificatrice de la réponse des bassins

versants à un changement climatique. C’est pourquoi, il est nécessaire d’enrichir ce modèle
en introduisant la possibilité d’écoulement latérale (interflow et base flow) ainsi qu’en
relâchant son hypothèse simplificatrice d’un fractionnement strictement proportionnel de
l’écoulement entre le ruissellement de surface et la percolation profonde.

Pour cela, on a appliqué comme alternative le modèle à deux réservoirs (2-buckets

model) de Yates (1996) qui non seulement distingue plusieurs couches de sous-sols
différentes mais aussi plusieurs formes d’écoulement hydrologiques. Ce modèle est
incorporée dans WEAP (appelée modèle ‘soil moisture’ ) et sera utilisée dans la suite de ce
travail.

4.1.1. LA STRUCTURE DU SOUS-SOL

Ce modèle considère tout d’abord que le sous-sol comprend deux zones :

― la couche superficielle (correspondant à la zone des racines) qui emmagasine l’eau

sous forme d’humidité. L’humidité de cette zone constitue l’offre de transpiration
des plantes.

― et la couche profonde (zone profonde) qui reçoit l’écoulement de l’eau sous forme
de percolation profonde. Cette zone alimente les nappes sous-terraines et détermine
leur recharge.

Chacune des deux zones est considérée comme un réservoir d’eau. La figure 59
suivante présente la structure du modèle et montre ainsi ses différences avec le modèle
simple représenté dans la figure précédente:

158
 Figure 59 : Structure du modèle pluie-débit à deux réservoirs utilisé
Source : Yates et al. (1995)

4.1.2. LES EQUATIONS DU MODELE HYDROLOGIQUE POUR LES

DIFFERENTES FORMES D’ECOULEMENT

Le système hydrologique comporte dans ce modèle plusieurs formes

d’écoulement de l’eau dont on présentera l’équation de leur dynamique : le ruissellement
de surface, l’écoulement latéral dans la couche superficielle (interflow), la percolation
profonde et l’écoulement de base (base flow)

En se référant à la figure 59, soit ܴ la capacité maximale de la couche superficielle

(bucket 1) dont la fonction est d’emmagasiner l’eau sous forme d’humidité. Soit également
‫ݖ‬ଵ le niveau de remplissage du réservoir en pourcentage de sa capacité maximale. Par
exemple, une valeur de ‫ݖ‬ଵ égale à 50% signifie que le volume d’eau est égal à la moitié de la
capacité maximale du réservoir. Alors, le volume effectif de l’humidité emmagasiné par ce
réservoir est ܴ. ‫ݖ‬ଵ. La variation du volume d’humidité dans ce réservoir sera ܴ. ݀‫ݖ‬ଵ. Elle est
égale aux précipitations effectives ܲ‫ܿ݁ݎ‬௘௙௙ diminuées de l’évaporation effective

159
‫ܶܧ‬௘௙௙définie ci-dessous, du ruissellement de surface ܴܵ‫݂݂݋‬, de l’écoulement latéral et de la
percolation profonde (Cf figure 59):

ܴ. ݀‫ݖ‬ଵ = ܲ‫݅ܿ݁ݎ‬௘௙௙ − ‫ܶܧ‬௘௙௙ − ܴܵ௢௙௙ − ‫ݐ݈ܽݐ݊݁ ݈݉݁ݑ݋ܿܧ‬é‫݈ܽݎ‬− ܲ݁‫݊݋݅ݐ݈ܽ݋ܿݎ‬

Équation 38

Les spécifications suivantes sont retenues dans le modèle WEAP que nous détaillons ci-
après.

4.1.2.1. L’évapotranspiration effective

L’évapotranspiration effective ‫ܶܧ‬௘௙௙ est une fonction, en plus du coefficient cultural

݇௖, de l’évapotranspiration potentielle et du contenu en humidité de la zone superficielle
des racines (premier réservoir) : plus cette zone est proche de son point de saturation en
humidité (‫ݖ‬ଵ proche de 100%) et plus l’évapotranspiration effective tend vers
l’évapotranspiration potentielle ‫ ܲܶܧ‬car l’évapotranspiration effective est alors de moins en
moins contrainte par la disponibilité d’humidité dans la zone des racines. Inversement, plus
cette zone est faiblement humide (‫ݖ‬ଵ proche de 0%) et plus l’évapotranspiration effective
est faible et loin de l’évapotranspiration potentielle (Kaczmarek, 1994). La relation retenue
par le modèle WEAP donnant l’évapotranspiration effective est :

ହ௭భିଶ௭భమ
‫ܶܧ‬௘௙௙ = ݇௖ ቂ‫ܲܶܧ‬. ቀ ଷ
ቁቃ Équation 39

Cette relation peut se réécrire :

‫ܶܧ‬௘௙௙ 5‫ݖ‬ଵ − 2‫ݖ‬ଵଶ
= ݇௖ ቆ ቇ
‫ܲܶܧ‬ 3

ா்೐೑೑
Ainsi, le rapport de l’évaporation effective à l’évaporation potentielle est une
ா்௉

forme non linéaire du contenu en humidité du sous-sol ‫ݖ‬ଵ. Au-delà du facteur cultural ݇௖, on
a reproduit ci-dessous (figure 60) la courbe croissante représentative de cette fonction (où
on a posé ݇௖ = 1) :

160
 1

Rapport entre l'évaporation effective et

0,9
0,8
0,7
0,6
0,5
l'ETP

0,4
0,3
0,2
0,1
0
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
Contenu en humidité du sous sol z1 (en % de la capacité totale)

Figure 60 : Relation entre le rapport entre (Evapotranspiration

effective/Evapotranspiration potentielle) et le contenu en humidité du sous-sol

4.1.2.2. Le ruissellement de surface

Le ruissellement de surface (ܴܵ‫ )݊ݑ‬est formalisé dans le modèle WEAP comme une
fraction des précipitations effectives. Cette fraction dépend positivement du contenu en
humidité de la couche superficielle ‫ݖ‬ଵ et d’un paramètre ܴܴ‫ ܨ‬compris entre 0 et 1, appelé
Facteur de Résistance au Ruissellement. Ce facteur dépend de la nature de la surface du sol,
de sa topographie, de son couvert végétal. Une valeur élevée de ce facteur signifie un
moindre ruissellement superficiel :

ܴܵ‫ݖ = ݊ݑ‬ଵோோி ܲ‫݅ܿ݁ݎ‬௘௙௙

4.1.2.3. L’écoulement latéral et la percolation profonde

Les deux derniers termes de l’équation 38 sont respectivement l’écoulement latéral

du premier réservoir (zone racines) et la percolation profonde vers le deuxième réservoir
(couche profonde).

L’évolution de l’écoulement latéral dans la couche superficielle dépend (i) du

coefficient de conductivité ݇ଵ de cette couche - qui indique l’aptitude de cette couche à
‘transporter’ l’eau sous l’effet du gradient de pression - ainsi que (ii) de la hauteur du niveau
d’eau du réservoir ‫ݖ‬ଵ. Plus la conductivité de la couche superficielle ݇ଵ et la hauteur du
niveau d’eau ‫ݖ‬ଵ sont élevées et plus l’écoulement latéral hors du réservoir est fort.

161
 L’écoulement latéral dépend aussi d’un troisième paramètre ݂ qui détermine le
partitionnement de l’eau entre les directions horizontales et verticales. Ce paramètre
dépend de la nature du sol et de sa topographie.

On a ainsi les relations suivantes (Yates et al., 2005)

‫ݐ݈ܽݐ݊݁ ݈݉݁ݑ݋ܿܧ‬é‫݂ = ݈݁ܽݎ‬. ݇ଵ. ‫ݖ‬ଵଶ Équation 40

ܲ݁‫( = ݁݀݊݋݂݋ݎ݌ ݊݋݅ݐ݈ܽ݋ܿݎ‬1 − ݂). ݇ଵ. ‫ݖ‬ଵଶ. Équation 41

En insérant les relations (30), (40) et (41) de l’écoulement de l’eau dans l’équation (38),
on obtient l’équation (42) qui donne l’expression de la variation du volume d’eau dans la
couche superficielle qui emmagasine l’humidité de l’eau :

ହ௭భିଶ௭భమ
ܴ. ݀‫ݖ‬ଵ = ܲ‫݅ܿ݁ݎ‬௘௙௙ − ݇௖ ቂ‫ܲܶܧ‬. ቀ ቁቃ− ‫ݖ‬ோோி ܲ‫݅ܿ݁ݎ‬௘௙௙ − ݂. ݇ଵ. ‫ݖ‬ଵଶ − (1 − ݂). ݇ଵ. ‫ݖ‬ଵଶ
ଷ

Équation 42

4.1.2.4. La recharge de la couche profonde

L’équation 42 est l’équation qui donne l’évolution ܴ. ݀‫ݖ‬ଵ du niveau du premier

réservoir. Il est cependant nécessaire de savoir quelle est l’évolution du niveau d’eau du
deuxième réservoir (couche terrestre profonde) qui détermine la recharge des nappes sous-
terraines et donc les ressources hydriques disponibles.

Soit ܵ la capacité maximale du deuxième réservoir et ‫ݖ‬ଶ la hauteur (en pourcentage)

du niveau d’eau dans ce réservoir.

Le flux entrant dans ce réservoir est la percolation profonde issus du premier

réservoir qui est égale suivant l’équation (41) à (1 − ݂). ݇ଵ. ‫ݖ‬ଵଶ.

Les flux sortant du réservoir sont l’écoulement latéral (base flow) issu de ce réservoir
(cf figure 59). Comme pour le premier réservoir, ces flux sont supposés dépendre
positivement d’un paramètre de conductivité de la couche terrestre profonde ݇ଶ ainsi que
de la hauteur du niveau d’eau dans le réservoir ‫ݖ‬ଶ , soit ݇ଶ. ‫ݖ‬ଶଶ.

La différence entre ces deux termes (1 − ݂). ݇ଵ. ‫ݖ‬ଵଶ − ݇ଶ. ‫ݖ‬ଶଶ représente la recharge
de la nappe (deuxième réservoir).

162
 Cependant, à ces deux flux, nous adjoindrons un troisième flux (sortant) représentant
l’exploitation des nappes souterraines pour les besoins de l’agriculture : ‫ݐ݅݋݈݌ݔܧ‬

En conséquence, l’évolution du niveau d’eau dans ce réservoir ܵ. ݀‫ݖ‬ଶ sera :

ܵ. ݀‫ݖ‬ଶ = (1 − ݂). ݇ଵ. ‫ݖ‬ଵଶ − ݇ଶ. ‫ݖ‬ଶଶ − ‫ݐ݅݋݈݌ݔܧ‬ Équation 43

Au total, les deux équations (42) et (43) forment un modèle de pluie-débit (rainfall-
runoff) dont la résolution détermine la dynamique de l’hydrosystème représenté dans la
figure (59) :

ହ௭భିଶ௭భమ
ܴ. ݀‫ݖ‬ଵ = ܲ‫݅ܿ݁ݎ‬௘௙௙ − ݇௖ ቂ‫ܲܶܧ‬. ቀ ቁቃ− ‫ݖ‬ோோி ܲ‫݅ܿ݁ݎ‬௘௙௙ − ݂. ݇ଵ. ‫ݖ‬ଵଶ − (1 − ݂). ݇ଵ. ‫ݖ‬ଵଶ

൝ ଷ
ܵ. ݀‫ݖ‬ଶ = (1 − ݂). ݇ଵ. ‫ݖ‬ଵଶ − ݇ଶ. ‫ݖ‬ଶଶ − ‫݅݋݈݌ݔܧ‬
Équation 44

La résolution de ce modèle qui donne le niveau relatif de l’eau ‫ݖ‬ଵ dans le premier réservoir
représentant le contenu en humidité de la zone des racines sujette à l’évapotranspiration et
le niveau ‫ݖ‬ଶ du deuxième réservoir représentant le niveau des nappes souterraines, dépend
de plusieurs variables et paramètres :

Les variables sont :

― Le niveau initial d’eau dans les deux réservoirs ;

― L’évapotranspiration potentielle ;

― Les précipitations effectives ;

― L’exploitation des nappes.

Les paramètres sont :

― Les paramètres de conductivité de la couche terrestre superficielle (zone racine) et

profonde (nappes) : ݇ଵ et ݇ଶ ;

― Le facteur de résistance au ruissellement ܴܴ‫( ܨ‬indice foliaire) ;

― La direction privilégié d’écoulement (horizontale versus verticale) : ݂

Ce modèle est incorporé dans WEAP sous la forme de modèle du ‘soil-moisture’. Nous
appliquerons ce modèle dans la suite pour chacun des bassins versants de Aïn-Turck,

163
Brédéah, Tafraoui et le Murdjadjo pour déterminer la réponse de ces bassins versants à un
changement climatique. Nous adjoindrons à ce modèle une liaison de transmission (nappes-
surface terrestre) pour intégrer l’exploitation des nappes souterraines pour l’irrigation d’une
partie des sous bassins versants et nous nous intéresserons plus particulièrement à
l’évolution du niveau des nappes sous-terraines.

164
 4.2. LES CANAUX D’IMPACT DE LA SPHERE
CLIMATOLOGIQUE SUR L’HYDROLOGIE DU SYSTEME

Après avoir décrit les équations du modèle qui régissent la recharge de la couche
profonde, on s’interroge pour savoir par quel canal le changement climatique que nous
avons mis en évidence durant le chapitre précédent affecte l’évolution du système
hydrologique décrit ci-dessus.

L’impact des températures dans le modèle hydrologique présenté ci-dessus passe

principalement par le canal de l’évapotranspiration potentielle (ETP). Pour illustrer cela, on
considère le cas simple où l’ETP est déterminée par la formule ajustée de Thornthwaite que
nous rappelons en détail ci-dessous.

Thornthwaite (1948) relie l’‫ܲܶܧ‬ே ஺ (ETP non ajustée) à la température par : ‫ܲܶܧ‬ே ஺ = ܿ‫ݐ‬௔
où ‫ݐ‬est la température moyenne annuelle de l’air. Toutefois, les coefficients ܿ et ܽ varient
selon le climat. Un indice de chaleur annuel est introduit ‫∑ =ܬ‬஽௘௖
௃௔௡(‫ݐ‬/ 5)
ଵ.ହଵସ
de sorte que
l’‫ܲܶܧ‬ே ஺ est alors :

‫ܲܶܧ‬ே ஺ = 16(10‫ݐ‬/ ‫ )ܬ‬௔ Équation 45

avec ܽ = 675 ∗ 10ିଽ‫ܬ‬ଷ − 771 ∗ 10ି଻‫ܬ‬ଶ + 1792 ∗ 10ିହ‫ܬ‬+ 0.49239.

Finalement, cette équation est ajustée pour tenir compte du nombre de jours par mois ܰ
ainsi que de la durée moyenne d’ensoleillement ܵ dépendante des saisons et de la
latitude pour obtenir l’ETP de Thornwaite :

‫்ܲܶܧ‬௛௢௥௡ (݉ ݉ /݀) = (ܵ/ 12) ∗ (ܰ / 30) ∗ ‫ܲܶܧ‬ே ஺ Équation 46

L’ETP annuelle est alors calculée comme la somme des 12 ETP mensuelles.

Toutefois, l’approche de Thornwaite sous-estime l’ETP dans les climats secs et les
saisons sèches et surestime celle-ci dans les régions humides (Mathe et Ambroziak, 1986;
Kafle and Bruins, 2009). En particulier, dans la région semi-aride de Djelfa en Algérie, après
avoir comparé les résultats de cinq méthodes de calcul de l’ETP, Bouteldjaoui et al. (2012)

165
montrent que l’approche de Thornthwaite sous-estime significativement l’évaporation
potentielle dans cette région.

Pour remédier à cette limite dans les estimations de Thornthwaite

‫்ܲܶܧ‬௛௢௥௡ , on utilise un facteur de correction empirique – qui dépend des précipitations P -
proposé par Hulme et al. (1986) et adopté par le Programme des Nations Unies pour
l'environnement (UNEP, 1997) pour ajuster les estimations de Thornthwaite et les
rapprocher plus étroitement des estimations standard de Penman ‫ܲܶܧ‬஺ௗ௝:

‫ܲܶܧ‬஺ௗ௝ = 1.3‫்ܲܶܧ‬௛௢௥௡ − 0.428ܲ + 246 Équation 47

où P est les précipitations et ‫்ܲܶܧ‬௛௢௥௡ donné par l’équation 46.

La différenciation de ‫ܲܶܧ‬஺ௗ௝ par rapport à la température et aux précipitations dans

l’équation 47, étant donnée les expressions de l’équation 45 et 46, et les calculs de
dérivation permettent d'exprimer la sensibilité Φ௧et Φ௉ de l'évapotranspiration potentielle
ajustée ܲ‫ܶܧ‬஺ௗ௝ à la variation des températures et des précipitations :

݀‫ܶܧ‬௉஺ௗ௝ = ߔ ௧݀‫ݐ‬+ ߔ ௉ ݀ܲ

avec :

ௗ௃ ௗ௔ ଵ଴௧ ௔ ௔
ߔ ௧ = ‫்ܲܶܧ‬௛௢௥௡ ቂௗ௧ ቀௗ௃ ‫݃݋ܮ‬ ௃
− ௃ቁ+ ௧ቃ Équation 48

ߔ ௉ = − 0.428 Équation 49

Cette modification de l’ETP par suite d’un changement climatique va à son tour
affecter l’évolution du système hydrologique comme cela apparaît dans l’équation 44.

En plus du canal de l’ETP, les changements climatiques affectent le système hydrologique

décrit par l’équation 44 à travers les précipitations effectives. Ce deuxième canal apparaît
car les précipitations effectives sont une fraction des précipitations et tout changement de
ces dernières affectent, via les précipitations effectives, le comportement du système
hydrologique considéré.

166
 4.3. IMPACT DES CHANGEMENTS CLIMATIQUES : SIMULATIONS

Nous utilisons ce nouveau cadre d’analyse – le modèle hydrologique de pluie-débit à

deux réservoirs présenté ci-dessus - pour étudier l’impact du changement climatique sur la
disponibilité des ressources en eau dans la wilaya d’Oran.

Pour rappel, nous avons jusque-là supposé un environnement sans changement

climatique avec des températures et des précipitations stationnaires. Dans ce contexte, nous
avons montré que les volumes d’eau disponibles, que ce soit à l’horizon 2030 ou 2050, dans
la wilaya d’Oran étaient loin de résoudre la situation du secteur agricole malgré les
aménagements apportés en termes de réduction de l’évolution de la demande par
l’introduction de nouvelles techniques plus efficientes d’irrigation et de réduction des pertes
dans les liaisons de transmissions ou encore d’apport en ressources, notamment à travers la
construction de retenues collinaires.

La première question qu’on se pose est de savoir en quoi le changement climatique

réduit ou, au contraire, accroit les tensions sur ces ressources. Notre approche consiste à
intégrer les projections climatiques construites dans le chapitre précédent avec les deux
scénarios d’émission de gaz à effet de serre A2 et B2 retenus dans le modèle hydrologique à
deux réservoir présenté ci-dessus. Ceci nous permettra alors d’étudier les impacts du
changement climatique sur les variables hydrologiques notamment sur l’évolution, dans ce
nouveau contexte climatique, de l’exploitation des nappes souterraines.

La seconde question que nous traiterons dans cette section a trait à l’atténuation de
ces impacts du changement climatique sur le système hydrologique de la wilaya. Dans ce
contexte, nous montrerons que la faible densité du réseau hydrographique de la région
d’Oran ajoutée à une aggravation de la faiblesse des précipitations projetées ne permet pas
d’envisager une solution de long terme basée uniquement sur les ressources
conventionnelles. Nous étudierons comment un apport de ressources par le biais du
traitement et de la purification des eaux rejetées par les différents sites du système permet
d’atténuer l’impact négatif du changement climatique et notamment de préserver les
nappes souterraines de leur surexploitation sur l’horizon de la prévision.

167
 4.3.1. UN RAPPEL DE LA SITUATION PROSPECTIVE SANS
CHANGEMENT CLIMATIQUE

Dans le contexte d’un climat stationnaire, nous avons montré que les pressions sur les
ressources seront assez fortes du fait notamment de la nécessité d’accroitre la superficie des
surfaces irriguées pour répondre à l’accroissement démographique.

Le volume de référence d’eau requis s’élèvera à 191.7 millions de m3 d’eau en 2030 et à

321 millions en 2050. Dans le secteur agricole notamment, la demande atteindra 83 millions
de m3 au terme de la période de projection en 2050.

La figure ci-dessus reproduit à titre de synthèse la demande de l’ensemble des acteurs de

l’hydrosystème de la région d’Oran durant la période sous revue : 2014-2050

Demande en eau (sans pertes, recycl., GSD)

Scénario: reference BREDEAH\irrigue
320 COLLECTIVITES
300
COTIER AIN TURK\irrigue
280
CPLXE MURDJAJO\irrigue
260
INDUSTRIE
240
MENAGES
Million Mètre cube

220
200 TAFRAOUI\irrigue
180
160
140
120
100
80
60
40
20
0

2014 2016 2018 2020 2022 2024 2026 2028 2030 2032 2034 2036 2038 2040 2042 2044 2046 2048 2050

Figure 61 : Synthèse de l’évolution de la demande en eau par grands

secteurs hydrologiques : 2014-2050

Certes, l’introduction de méthodes d’irrigation plus efficientes induit une réduction des
prélèvements d’eau du fait de moindres pertes (-17.6 millions de m3 en 2050) dans les
différentes liaisons de transmission. Par ailleurs, la construction d’infrastructures permet la
mobilisation de ressources supplémentaires d’eau issue du ruissellement de surface (1.7
millions de m3 par an) qui allège la pression sur l’exploitation des nappes dans les unités
hydrologiques du côtier de Aïn-Turck et du Murdjadjo.

Cependant, l’ensemble de ces mesures bien qu’ayant un impact positif sur la

mobilisation de la ressource hydrique et sur la maîtrise de la demande d’eau par les

168
différents secteurs n’empêchent pas pour autant l’existence d’une pression importante sur
les nappes sous-terraines. Ainsi, l’exploitation pour certaines nappes reste très élevée à
l’image de Brédeah dont le taux d’exploitation est de plus de 227%.

4.3.2. L’AGGRAVATION DES DEFICITS DES RESSOURCES PAR

LE CHAGEMENT CLIMATIQUE : UNE EVALUATION

Le changement climatique exerce un impact supplémentaire sur les contraintes à la

disponibilité des ressources en eau dans la wilaya ainsi que sur la satisfaction des besoins
des différents secteurs du système hydrologique.

L’augmentation de l’évaporation potentielle due à la hausse de la température

moyenne accroitra les besoins en eau du secteur agricole irrigué et partout exercera des
tensions plus fortes sur les ressources hydriques de la wilaya. Les équations 48 et 49
donnent l’expression analytique de la variation de l’évapotranspiration potentielle en
fonction des variations de températures et de précipitations dans le cas de l’expression de
l’ETP ajustée de Thornthwaite.

Parallèlement à cet impact sur les besoins en eau requis par le secteur agricole
(demande d’évapotranspiration par les plantes), la baisse des précipitations conduit à une
réduction de l’offre d’évapotranspiration due à la baisse des précipitations effectives.

Ces deux facteurs qui tendent à accroitre les besoins en eau du secteur agricole et à
réduire les précipitations effectives se traduisent par une augmentation accrue de la
demande en eau du secteur agricole.

La figure suivante 62 reproduit l’évolution de la demande en eau du secteur agricole

à la fois dans le scénario sans changement climatique ainsi que dans les scénarios A2 et B2.

A partir de 2020, la demande en eau du secteur agricole sera constamment

supérieure dans le scenario A2 ou B2 relativement au cas d’un climat stationnaire. Plus de 11
millions de mètres cubes d’eau supplémentaire pour l’irrigation seront nécessaires du fait du
changement climatique et des émissions de gaz à effet de serre pour satisfaire les besoins du
secteur de l’agriculture en 2050 dans le scénario A2 et 8 millions dans le scénario B2.

169
 Demande en eau (sans pertes, recycl., GSD)
95 Neutre (soil moisture)
90 scenarioA2
85 scenarioB2
80
75
Million Mètre cube

70
65
60
55
50
45
40
35
30
25

2010 2012 2015 2018 2021 2024 2027 2030 2033 2036 2039 2042 2045 2048
Figure 62 : Changement climatique et évolution de la demande en eau de
l’agriculture

Tableau 41 : Evolution moyenne et croissance de la demande en eau du

secteur agricole sous différents scénarios d’évolution climatique (millions de
m3)

2015- 2021- 2026- 2031- 2036- 2041- 2020-

2050
2020 2025 2030 2035 2040 2050 2050
Scén. sans changement 31.64 37.21 43.13 50.00 57.97 72.55 54.87 82.61
climatique (Neutre)
Scénario A2 31.08 38.85 46.47 53.59 62.93 78.96 59.10 93.89

Scénario B2 32.65 38.73 45.07 51.95 61.19 81.02 59.07 90.68

Scénario A2/Neutre -1.8% 4.4% 7.7% 7.2% 8.6% 8.8% 7.7% /

Scénario B2/Neutre 3.2% 4.1% 4.5% 3.9% 5.6% 11.7% 7.6% /

La demande sera en moyenne sur la période 2020-2050 de 7.7% par an supérieure

dans le scénario A2 que dans le scénario sans changement climatique (scénario neutre) et de
7.6% plus grande pour le scénario B2.

La différence entre les deux scénarios de changement climatique peut sembler faible
mais en réalité la différence entre les variations climatiques dans ces deux scénarios est

170
beaucoup plus nette surtout en fin de période de prévision et surtout dans la période hors
de notre étude 2050-2099 (Cf. figure 51 et figure 56).

Ce surcroît de demande résultant du changement climatique sera conjugué à la

baisse des précipitations effective induite, conduira ainsi à un deuxième facteur de
relèvement du taux d’exploitation des nappes souterraines.

Dans ce cadre, le tableau suivant 42 présente le taux d’exploitation des nappes sous
les scénarios A2 et B2 et révèle le surcroît d’exploitation que le changement climatique
induit dans chacune des unités hydrogéologiques.
Tableau 42 : Evolution du taux d’exploitation des nappes souterraines par
scénario : 2020-2050

2020 2030 2050

Scén. sans changement climatique (Neutre)
76.5% 80.5% 105.6%
Scénario A2
64.7% 129.4% 154.0%
Scénario B2
102.5% 106.3% 137.8%

Comme on peut l’observer, la pression sur l’exploitation des ressources sera

naturellement plus forte dans les scenarios de changement climatique B2 et surtout A2 que
dans le scénario neutre sans changement climatique. De plus, ces évolutions moyennes
cachent des pics de surexploitation de certains aquifères comme celui de Bredéah dont le
taux dépasse durant certaines périodes 200%.

4.3.3. L’ATTENUATION DE L’IMPACT NEGATIF DES

CHANGEMENTS CLIMATIQUES

Ces évolutions montrent que le système hydrologique de la région d’Oran ne peut

dans son état actuel être capable de faire face aux évolutions non seulement des besoins
économiques et sociaux mais aussi et surtout des changements climatiques qui l’impactent
négativement. En fait, c'est seulement en intégrant le secteur de l'AEP et le secteur de
l’agriculture, qui sont actuellement découplés, que l'on peut considérer de manière durable
le problème de l'irrigation dans cette région.

171
 En effet, dans le meilleur des scénarios que nous avons jusque-là considéré, un
volume considérable d’eau généré à la fois par les ménages, les collectivités et l’industrie
sera dirigé vers les stations d'épuration des eaux usées mais rejetés dans des réceptacles
naturels comme le bassin de Sebkha ou la mer. La figure suivante illustre cette situation en
montrant que ce volume atteint 108 millions de m3 en 2030 et plus de 160 millions de m3 en
2050.
Figure 63 : Evolution du volume d’eau traité par la STEP : 2017

Débit de liaison de retour

Scénario: Neutre (soil moisture) Débit de retour depuis COLLECTIVITES vers STEP.
160 Débit de retour depuis INDUSTRIE vers STEP.
Débit de retour depuis MENAGES vers STEP.
140

120
Million Mètre cube

100

80

60

40

20

2017 2020 2023 2026 2029 2032 2035 2038 2041 2044 2047 2050

Toutefois, en 2030, seule une faible partie de ce volume est utilisé dans l’hydrosystème,
pour alimenter l’industrie. En 2050, plus de 70 millions de m3 d’eau traité seront rejetés vers
la mer (tableau 43) :

Tableau 43 : Evolution du volume d’eau traité destiné à l’industrie et celui

rejeté à la mer (en millions de m3)

2020 2030 2050

Transmission depuis STEP vers INDUSTRIE 21.19 30.67 72.35
Débit de retour depuis STEP vers MER 55.29 66.64 72.57

La solution adéquate à long terme ne peut résider que dans le recours à l'irrigation par
l'eau traitée par les stations d'épuration des eaux usées. Cette orientation de la politique de
l'eau dans la région d'Oran améliorera non seulement la qualité de l'eau, mais substituera

172
également les prélèvements d'eaux souterraines par les ressources des stations d'épuration
des eaux usées, ce qui atténuera la pression sur les aquifères actuellement exploités de
manière excessive. Dans cette nouvelle politique, la station de traitement des eaux usées
devient le site focal permettant d'intégrer le secteur agricole au reste du système
hydrologique de la région.

4.3.3.1. La réduction des prélèvements des nappes par suite de l’intégration

de la STEP

Dans cette perspective, on introduit un élément d’intégration à travers la possibilité

d’irrigation des unités hydrologique de Brédéah et de Tafraoui par les eaux de retour de la
STEP. La configuration des différents sites avec leurs liaisons de transmission et les liaisons
de retour est donnée par WEAP à travers la figure suivante :
Figure 64 : Structure du système hydrologique de la région d’Oran

`
# #
` # #
#
#

# #
#

#
#
#
#
#
# #
#
#
%
%

` %
%

#
`

Le couplage de la STEP avec le secteur de l’agriculture permet de réduire de manière

significative le prélèvement des nappes de Bredéah et de Tafraoui en substituant les eaux
traités à l’exploitation des nappes phréatiques. Le tableau 44 montre le gain en prélèvement
que la STEP permet de réaliser suivant le scénario de changement climatique retenu.

173
 Tableau 44 : Différence de prélèvement après Intégration de la STEP –
(millions de m3)

B2 A2
2025 2035 2050 2025 2035 2050
Bredéah 18.87 25.95 13.73 20.56 28.20 12.14
Tafraoui 0.12 0.17 0.28 0.14 0.19 0.29

Ainsi, près de 30 millions de m3 de différence de prélèvement sont réalisés durant

l’année 2035 dans le scénario de changement climatique A2 pour la nappe de Bredéah qui
était auparavant particulièrement surexploitée.

4.3.3.2. La croissance des superficies irriguées

Dans ce scénario, la préférence d’approvisionnement du secteur agricole est donnée à

la STEP car il convient d’utiliser les eaux traités par la STEP du fait de la clause du take or pay
qui est pénalisante si la STEP est utilisée en deçà de ses capacités. Cependant, une
conséquence de cette sollicitation en priorité de la STEP est que les nappes de Bredéah et de
Tafraoui se trouvent insuffisamment exploitée, ce qui n’est pas une situation optimale.

C’est pourquoi nous présentons un scénario final d'intégration du système

hydrologique de la région qui comporte quatre caractéristiques qui relèvent pour certaines
de projets en cours de la Direction de l’Hydraulique de la Wilaya d’Oran :

― Tout d'abord, nous considérons un projet d'établissement d'un Grand Périmètre

Irrigué (GPI) sollicitant pour son irrigation la station d'épuration et située dans la
région de Tafraoui sur une zone de 7000 hectares avec une extension de 1000
hectares vers Bredéah.

― Deuxièmement, dans une situation optimale, toute la production de la station

d'épuration doit être utilisée pour irriguer les nouvelles zones irriguées ou le secteur
de l'industrie au lieu d'être rejetée dans des récipients naturels. Aussi, on contraint
l'eau rejetée par la station d'épuration à être nulle en 2030.

― Troisièmement, nous contraignons les prélèvements des eaux souterraines afin de ne

pas dépasser les quantités mobilisables de leur recharge naturelle afin de ne pas
surexploiter les nappes.

174
 ― Quatrièmement, dans les unités hydrologiques de Bredéah et Tafraoui, la priorité de

l'offre sera donnée, dans les limites de l'exploitation normale, aux eaux souterraines
par rapport à la station d'épuration, car la production d'eau non conventionnelle
coûte chère.

On détermine alors dans ce scénario le taux de croissance maximum des superficies

irriguées consistant avec l’ensemble de ces contraintes. Cette démarche est effectuée en
deux étapes :

Dans la première étape, on donne la priorité d’approvisionnement du secteur agricole aux

ressources souterraines renouvelables des nappes. Cependant, si les ressources souterraines
seront pleinement utilisées, la figure suivante 64 montre alors que la STEP sera alors
surdimentionnée du fait du rejet vers la mer d’une partie de ses eaux traitées qui passeront
par un pic de 55 millions de m3 d’eau vers 2025 :

Débit de liaison de retour

Scénario: Integration STEP_Agriculture avec priorité nappes Débit de retour depuis STEP. vers MER
55
50
45
40
Million Mètre cube

35
30
25
20
15
10
5
0

2017 2020 2023 2026 2029 2032 2035 2038 2041 2044 2047 2050

Figure 65 : Evolution des rejets vers la mer des eaux de la STEP – 2017-2050

Aussi, dans une seconde étape, on détermine le taux de croissance requis des superficies
agricoles irriguées dans les unités hydrogéologiques desservies par la STEP qui annule à long
terme ces rejets.

Les simulations réalisées une à une montrent que ces rejets vers la mer peuvent être utilisés
pour faire croitre la superficie irriguée de Brédéah de 4.8% entre 2017 et 2030 suivi d’une
croissance de 3% durant les décennies 2030-2050 ainsi que pour irriguer la quasi-totalité des

175
7400 ha de Tafraoui. Avec cette évolution de la superficie irriguée réalisée grâce au
traitement et la réutilisation des eaux rejetées par le secteur des ménages, des collectivités
et de l’industrie, les rejets de la STEP finissent par s’annuler comme le montre la figure 66
avec un taux de recouvrement des sites de demande reliés à la STEP de 100% permettant le
renouveler les ressources souterraines (figure 67).
Débit de liaison de retour
Débit de retour: Débit de retour depuis STEP. vers MER scenarioA2
24,0 scenarioB2
22,0
20,0
18,0
Million Mètre cube

16,0
14,0
12,0
10,0
8,0
6,0
4,0
2,0
0,0

2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 2037 2039 2041 2043 2045 2047 2049

Figure 66 : Evolution des rejets de la STEP à la mer – scénario :

accroissement des superficies irriguées

Recouvrement du site de demande (% satisfaction)

Scénario: scenarioA2 BREDEAH
COLLECTIVITES
INDUSTRIE
MENAGES
TAFRAOUI

100
95
90
85
80
Pourcent

75
70
65
60
55
50
45

2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 2037 2039 2041 2043 2045 2047 2049

Figure 67 : Recouvrement des sites utilisateurs de la STEP

176
 CONCLUSION GENERALE

Dans ce travail, nous avons étudié l’évolution du système hydrologique de la région

d’Oran dans le long terme dans un cadre de modélisation avec et sans changement
climatique. Ce travail nous a permis de souligner l'importance d'une gestion intégrée et
prospective des ressources en eau de cette région afin d’anticiper les contraintes futures et
de se doter des capacités permettant de faire face aux pressions résultant de l'augmentation
des besoins en eau des différents secteurs.

Ce travail nous a permis d’aborder des questions importantes concernant la

modélisation pour la prospective de l’eau et l’étude des scénarios possibles. Ainsi :

― Du côté de la demande, les besoins en eau des ménages. des services publics et de
l’industrie ont été formalisés dans un cadre simple faisant intervenir des variables
que nous avons construites comme l’évolution démographique, l’évolution des
besoins unitaires en eau liée à l’amélioration du niveau de vie de la population ainsi
que des économies en eau que le secteur de l’industrie est appelé à réaliser.

― Les besoins d’irrigation de l’agriculture ont été projetés à l’aide du modèle ‫ܶܧ‬଴‫ܭ‬஼ de
la FAO faisant intervenir l’évapotranspiration de référence ‫ܶܧ‬଴ et les coefficients
culturaux ‫ܭ‬஼ .

― Du côté de la mobilisation des ressources en eau, nous avons utilisé un modèle pluie-
débit à double réservoirs incorporé dans le logiciel WEAP qui nous a permis de
déterminer le ruissellement de surface issu des précipitations, les écoulements
latéraux et la percolation profonde alimentant les nappes souterraines.

― Du côté des changements climatiques, nous avons étudié deux approches

alternatives mais dont les résultats obtenus convergent:

o Une prévision climatique dans une approche purement statistique reposant sur
les propriétés des processus temporels ARMA,

177
 o Une prévision alternative faisant intervenir les processus hydrologiques
physiques à travers la réduction des résultats du modèle de circulation globale
HadCm3 à l’échelle de la région d’Oran.

Les différents résultats que nous avons obtenu nous ont permis de conclure que :

― Sous l’effet de l’accroissement démographique et des besoins unitaires en eau de la

population ; de la croissance des secteurs économiques de l’industrie et des services
publics ; et sans mesures d’accompagnement (scénario de référence), le déficit en
AEP (demande non satisfaite) sera insoutenable s’élevant à 53 millions de m3 en 2030
et à 146 millions de m3 en 2050.

― Sous ce même scénario de référence, l’exploitation des nappes souterraines fera

apparaître une surexploitation globale de 121% et de 228% pour la nappe de Brédeah
en 2050 remettant en question le renouvellement de ces nappes.

― Le changement climatique aggravera ce déficit. Nous avons présenté à cet égard les
modèles climatiques, leur origine et les effets qu’exerce l’émission de CO2 en termes
d’accentuation de l’effet de serre naturel. Ce changement climatique se traduira par
une hausse de la température entre 0.5 et 1 degré à l’horizon 2050,
comparativement à la période 2000-2010, et une diminution de la pluviométrie
journalière de 0.13 mm sur la même période correspondant à une baisse annuelle
d’environ 50mm à l’horizon 2050.

Les conséquences sur le secteur de l’agriculture sont significatives. Nous avons tenté
de montrer que l’évolution de ces deux variables climatiques conduira à une hausse
de l’évapotranspiration potentielle. Dès lors, sans mesures d’atténuation, la
surexploitation des nappes s’aggravera faisant passer le taux global d’exploitation des
nappes à 154% à l’horizon 2050 sous le scénario de changement climatique A2 du
SRES.

Les mesures de gestion prospective des ressources en eaux susceptibles d’être prises ont été
formalisées sous forme de scénarios alternatifs. On a distingué les actions conduisant à :

178
 ― La réduction du rythme d’augmentation de la demande. Dans ce cadre, on a simulé
une réduction des taux de pertes de liaisons de 20 à 10% ainsi qu’une amélioration
de l’efficience du système d’irrigation passant de 70% à 90% en 2050.

― L’augmentation des ressources en eau par la mise en place progressive de capacités

de dessalement d’eau de mer de 380.000 m3/j, d’une STEP pour alimenter l’industrie
ainsi que de retenues collinaire pour mobiliser les ressources de ruissellement.

Ces mesures permettent certes de réduire le déficit en ressources en eaux mais la

nécessité pour la région d’Oran de recourir à des transferts externes (importation de
ressources d’autres wilayas) réapparait dès 2024 jusqu’en 2050 sans incidence sur la
surexploitation des nappes du fait du découplage du secteur agricole du reste de
l’hydrosystème de la région d’Oran.

Le changement climatique précipitera ces dates de recours aux transferts d’eau

externes et la surexploitation des nappes souterraines.

C’est pourquoi, une politique de l’eau dans la région d’Oran ne peut être soutenable si elle
ne traite pas du principal handicap de la région qui est la segmentation de son système
hydrique où la déconnexion du secteur agricole du reste du système entraîne une
surexploitation de certains aquifères. La mise en place de STEP permettant de traiter aux fins
d’irrigation les eaux résiduelles du secteur des ménages et des collectivités est la voie
recommandée permettant le recouvrement d’un caractère intégré du système hydrique de
la région. Ce travail a permis de présenter cette perspective, sur laquelle les autorités de la
wilaya s’engagent progressivement, d’une façon précise en chiffrant ses incidences et de
montrer qu’elle permet non seulement de préserver les ressources souterraines mais aussi
d’être un vecteur de développement économique par le surcroit de croissance qu’elle
permet de donner au secteur agricole à travers l’extension de ses surfaces irriguées.

Enfin, on peut signaler qu’au moins deux perspectives de recherche peuvent être
donnés à notre travail :

Notre étude s’est limitée à la région d’Oran. Aussi une des perspectives qui peut être
apportée est son extension à d’autres zones du pays possédant des climat différents de la
région d’Oran comme les hauts plateaux et le sud, non seulement pour une meilleure

179
connaissance des effets des changements climatiques sur le territoire nationale mais
également pour déterminer les mesures spécifiques à prendre en vue de leur atténuation.

Par ailleurs, nous nous sommes intéressés dans ce travail principalement à la

moyenne des précipitations et des températures. Aussi un autre prolongement possible de
ce travail est d’étudier la prospective des évènements extrêmes dont la survenance est
importante à prévoir et qui sont également affectée de manière sensible par le changement
climatique.

180
BIBLIOGRAPHIE
Abdel-Fattah, S. L. (2012). DownScaling the Great Lakes: Techniques for Adaptive
Policy (Doctoral dissertation),Mc Master University – Civil Engineering.

Abed, S., Senouci, M., Haouari, M. & Zoheir, T. (2011). Information sheet on future climate
and impacts in the coastal case studies: Gulf of Oran, Algeria. CIRCE.

Ahmadi, A., Moridi, A., Lafdani, E. K., & Kianpisheh, G. (2014).Assessment of climate
change impacts on rainfall using large scale climate variables and downscaling models–A
case study. Journal of Earth System Science, 123(7), 1603-1618.

Allen R. G., L. S. Pereira, D. Raes, M. Smith (2003), Crop evapotranspiration – Guidelines

for computing crop water requirements. FAO Irrigation and drainage paper 56.

Agence Nationale des Ressources Hydrauliques, réalisation de carte des ressources en eau
souterraines du Nord de l’Algérie -2009.

Arbués, F., Garcıa-Valiñas, M. Á., & Martınez-Espiñeira, R. (2003). Estimation of residential

water demand: a state-of-the-art review. The Journal of Socio-Economics, 32(1), 81-102.

Ardoin-Bardin, SAND. R. A., Dezetter, A. L. A. I. N., Servat, E., Dieulin, C., Casenave, L.,
Niel, H. É. L. È. N. E., ...&Mahé, G. (2006). Application de scénarii climatiques en
modélisation hydrologique: utilisation des sorties GCM. Climate Variability and Change—
Hydrological Impacts.

Arnell, N. (2004) Climate change and global water resources: SRES emissions and socio-
economic scenarios. Global Environ. Change 14, 31–52.

Barry, R. G., & Hall-McKim, E. A. (2014).Essentials of the Earth's Climate

System.Cambridge University Press.

Banque Mondiale (base de données : World Development Indicators - 2011)

Blaney H. F and Criddle, W.D. Determining water requirements in irrigated areas from
climatological and irrigation data, US Department of Agriculture, Soil Conservation Service,
Washington DC, 1950.

Bontron, G. (2004). Prévision quantitative des précipitations: Adaptation probabiliste par

recherche d'analogues. Utilisation des Réanalyses NCEP/NCAR et application aux
précipitations du Sud-Est de la France (Doctoral dissertation, Institut National Polytechnique
Grenoble (INPG).

Bony, S., Colman, R., Kattsov, V. M., Allan, R. P., Bretherton, C. S., Dufresne, J. L., ... &
Webb, M. J. (2006). How well do we understand and evaluate climate change feedback
processes?.Journal of Climate, 19(15), 3445-3482.
181
Bouklia-Hassane, R., Yebdri, D., & Tidjani, A. E. B. (2016). Prospects for a larger integration
of the water resources system using WEAP model: a case study of Oran
province. Desalination and Water Treatment, 57(13), 5971-5980.

Bouklia-Hassane, R., Yebdri, D., & Tidjani, A. E. B. (2017). Climate change and water
resources management of Oran region. Journal of Water and Climate Change, jwc 2016037.

Bouklia Hassane R. (2012), Contribution à la gestion de l'eau dans la ville d'Oran. Magistere
thesis, Department of Hydraulics, USTO. 121p.

Bouteldjaoui F., Bessenasse M., Guendouz A. (2012). Etude comparative des différentes
méthodes d'estimation de l'évapotranspiration en zone semi-aride (cas de la région de Djelfa).
Nature & Technologie. 07/06, 109-116

Box, G. E., & Jenkins, G. M. (1976). Time series analysis: forecasting and control, revised
ed. Holden-Day.

Climate Research Committee.(2003). Understanding Climate Change Feedbacks. National

Academies Press.

Committee on Radiative Forcing Effects on Climat, (2005), ‘Radiative Forcing of Climate

Change: Expanding the Concept and Addressing Uncertainties’, National Research Council,
National Academy of Sciences, Washington, D.C.

Cornell, S. E., Prentice, I. C., House, J. I., & Downy, C. J. (Eds.). (2012). Understanding the
earth system: global change science for application. Cambridge University Press.

Daithi A.S & R. Knutti (2011),’Weather and Climate’, in F. Fung, A. Lopez & Mark (Ed)
‘New Modelling the Impact of Climate Change on Water Resources’, Blackwell Publishing
Ltd.

Dalhuisen, J. M., Florax, R. J., de Groot, H. L., & Nijkamp, P. (2001). Price and Income
Elasticities of Residential Water Demand: Why Empirical Estimates differ. Tinbergen
Institute Discussion Paper 01-057/3.

Drouiche, N., Ghaffour, N., Naceur, M. W., Lounici, H., & Drouiche, M. (2012). Towards
sustainable water management in Algeria. Desalination and Water Treatment, 50(1-3), 272-
284.

Desbois, D. (2005). Une introduction à la méthodologie de Box et Jenkins: l’utilisation de

modèles ARIMA avec SPSS. Revue Modulad, 1(33).

Destane N.G., ‘Effective rainfall in irrigated agriculture’ - FAO Irrigation and drainage paper
1978.Musy A, ‘Hydrologie Appliquée’, Edition H.G.A. 1998.

Direction de la Planification de la Wilaya d’Oran (2010). Monographie de la Wilaya d’Oran.

182
FAO, ‘Irrigation Water Management: Irrigation Water Needs’ Chapitre III – 1986
http://www.fao.org/docrep/S2022E/S2022E00.htm

Fung F., A. Lopez & M. (2011) (Ed), New Modelling the Impact of Climate Change on Water
Resources, Blackwell Publishing Ltd, John Wiley & Sons, West Sussex,, UK

GIEC, (2007). Bilan 2007 des changements climatiques. Contribution des Groupes de travail
I, II et III au quatrième Rapport d’évaluation du Groupe d’experts intergouvernemental sur
l’évolution du climat (Ed. Pachauri, R.K. et Reisinger, A.) Genève 2, Suisse.

Goody, R. M., & Yung, Y. L. (1995). Atmospheric radiation: theoretical basis. Oxford
University Press.

Goosse H., P.Y. Barriat, W. Lefebvre, M.F. Loutre and V. Zunz, (2010).Introduction to
climate dynamics and climate modeling. Online textbook available at
http://www.climate.be/textbook.

Gordon, C., C. Cooper, C.A. Senior, H.T. Banks, J.M. Gregory, T.C. Johns, J.F.B. Mitchell
and R.A. Wood, 2000. The simulation of SST, sea ice extents and ocean heat transports in a
version of the Hadley Centre coupled model without flux adjustments. Clim. Dyn., 16, 147-
168.

Grigg, N. S. (2008). Integrated water resources management: balancing views and improving
practice. Water International, 33(3), 279-292.

Hamlat, A., Errih, M., &Guidoum, A. (2013). Simulation of water resources management
scenarios in western Algeria watersheds using WEAP model. Arabian Journal of Geosciences,
6(7), 2225-2236.

Hartmann, D. L. (1994).Global physical climatology (Vol. 56).Academic press, USA.

Hay, L. E., & Clark, M. P. (2003).Use of statistically and dynamically downscaled

atmospheric model output for hydrologic simulations in three mountainous basins in the
western United States. Journal of Hydrology, 282(1), 56-75).

Held, I. M. & Soden, B. J., (2000). Water vapor feedback and global warming. Annu. Rev.
Energy Environ. 25, 441–75.

Hessami, M., Gachon, P., Ouarda, T. B., & St-Hilaire, A. (2008).Automated regression-based
statistical downscaling tool. Environmental Modelling& Software, 23(6), 813-834)

Hipel, K. W., McLeod, A. I., & Lennox, W. C. (1977). Advances in Box-Jenkins modeling: 1.
Model construction. Water Resources Research, 13(3), 567-575.

Hulme, M., Doherty, R., Ngara, T., New, M., & Lister, D. (2001). African climate change:
1900-2100. Climate research, 17(2), 145-168.

Hulme, M., Marsh, R., & Jones, P. D. (1992). Global changes in a humidity index between
1931-60 and 1961-90. Climate Research (CR), 2(1), 1-22.

183
IPCC (2013), Summary for Policymakers. In: Climate Change 2013: The Physical Science
Basis. Contribution of Working Group I to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M.
Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)].
Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.

IPCC (2000).Intergovernmental panel on climate change. Emission scenarios: Special Report

– summary for policy makers.

Kafle, H. K., & Bruins, H. J. (2009). Climatic trends in Israël 1970–2002: warmer and
increasing aridity inland. Climatic Change, 96(1-2), 63-77.

Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., ...& Zhu, Y.
(1996). The NCEP/NCAR 40-year reanalysis project. Bulletin of the American
meteorological Society, 77(3), 437-471.

Kamel, A. M., Ali, A. M., et Sayad, T. A. (2016), Study The Impact Of Climate Change On
Maximum And Minimum Temperature Over Alexandria, Egypt Using Statistical Downscaling
Model (SDSM) Journal of Advanced Research, V3-8 p 694-712

Kaper, H., &Engler, H. (2013).Mathematics and climate. Society for Industrial and Applied
Mathematics (Siam), Philadelphia.

Karsili, C. (2013). Calculation of past and present water availability in the Mediterranean
region and future estimates according to the Thornthwaite water-balance model. Thesis,
Department of Physical Geography and Ecosystems Science, Lund University

Kellogg, W. W., & Schneider, S. H. (1974). Climate stabilization: For better or for worse?
Science, 186(4170), 1163-1172.

Khatri, K. B., & Vairavamoorthy, K. (2009). Water demand forecasting for the city of the
future against the uncertainties and the global change pressures: case of Birmingham.
In World Environmental and Water Resources Congress: Great Rivers (pp. 1-15).

Kidhl J. T et V. Ramanathan (Ed) (2006), ‘Frontiers in climate modeling’, Cambridge

University Press.

Kiehl, J. T., & Trenberth, K. E. (1997). Earth's annual global mean energy budget. Bulletin
of the American Meteorological Society, 78(2), 197-208.

Manabe, S., &Strickler, R. F. (1964).Thermal equilibrium of the atmosphere with a convective

adjustment. Journal of the Atmospheric Sciences, 21(4), 361-385.

Manabe, S., &Wetherald, R. T. (1967).Thermal equilibrium of the atmosphere with a given

distribution of relative humidity. Journal of the Atmospheric Sciences, 24(3), 241-259.

Manabe, S., &Wetherald, R. T. (1980). On the distribution of climate change resulting from
an increase in CO2 content of the atmosphere. Journal of the Atmospheric Sciences, 37(1),
99-118.
184
Maraun, D., Wetterhall, F., Ireson, A. M., Chandler, R. E., Kendon, E. J., Widmann, M.,
...&Venema, V. K. C. (2010). Precipitation downscaling under climate change: Recent
developments to bridge the gap between dynamical models and the end user. Reviews of
Geophysics, 48(3).

Mather, J. R., &Ambroziak, R. A. (1986). A search for understanding potential

evapotranspiration. The Geographical review,355-370

Milly, P. C., Dunne, K. A., &Vecchia, A. V. (2005).Global pattern of trends in streamflow

and water availability in a changing climate. Nature, 438(7066), 347-350.

Ministry of Industry, National plan of development of industrial estates, Algiers, 2008.

Ministère des ressources en eau (2008). Etude d’actualisation du Plan National de l’Eau en
Algérie, Alger.

Ministère de l’Habitat, ‘Le Taux d’Occupation des Logements à l’Horizon de 2030’,

document interne - 2010.

Momani, P. E. (2009). Time Series Analysis Model for Rainfall Data in Jordan: Case Study
for Using Time Series Analysis. American Journal of Environmental Sciences, 5(5).

Moriondo,M., P. Good, R.Durao,M. Bindi, C.Giannakopoulos and J. Corte-Real (2006).

Potential impact of climate change on forest fire risk in the Mediterranean area. Climate Res.,
31, 85-95.

McGuffieK.and A. Henderson-Sellers (2005).A Climate Modelling Primer, John Wiley &

Sons, Ltd.

McLeod, A. I., Hipel, K. W., & Lennox, W. C. (1977).Advances in Box-Jenkins modeling: 2.

Applications.Water Resources Research, 13(3), 577-586.

National Research Council (US).Committee on America's Climate Choices. (2011).

Advancing the Science of Climate Change: America's Climate Choices. National Academies
Press.

National Office of Statistics, Results of the General Census of Population and Habitat 2008,
ONS, Algiers, 2009.

National Research Council: Committee on Radiative Forcing Effects on Climate (2005)

Radiative Forcing of Climate Change: Expanding the Concept and Addressing Uncertainties.
National Academies Press.

Neelin, J. D. (2010). Climate change and climate modeling. CambridgeUniversityPress.

North, G. R. (1975). Theory of energy-balance climate models. Journal of the Atmospheric

Sciences, 32(11), 2033-2043.

185
Pachauri, R. K., & Reisinger, A. (Eds.). (2007). Climate Change 2007 Synthesis Report:
Summary for Policymakers. Intergovernmental Panel on Climate Change Secretariat.

Parry, M., Canziani,O., Palutikif, J., van der Linden, P., Hanson, C. (Ed.). (2007). Climate
change 2007-Impacts, Adaptation and Vulnerability: Working group II contribution to the
fourth assessment report of the IPCC. Cambridge University Press.

Peixdto, J. P., &Oort, A. H. (1992). Physics of climate. American institute of physics, New
York.

Pierrehumbert, R. T. (2010). Principles of planetary climate. Cambridge University Press.

Ministère des Ressources en Eaux : ‘Etude d’actualisation du Plan National de l’Eau en
Algérie’ - 2006.

Planning Department of Oran province, Monograph of Oran province, Oran, 2010.

Ramanathan, V., &Coakley, J. A. (1978).Climate modeling through radiative-convective

models. Reviews of Geophysics and Space Physics, 16(4), 465-489.

Rifai, N., Khattabi, A., &Rhazi, L. (2015). Impact du changement climatique sur les
températures journalières minimales et maximales et les précipitations de la région de
Tanger (nord-ouest du Maroc) quantifié à partir d’une méthode de descente d’échelle
statistique. VertigO-la revue électronique en sciences de l'environnement, 14(3).

Robock, A. (1985). An updated climate feedback diagram. Bulletin of the American

Meteorological Society, 66, 786-787.

Statement of the daily consumption of water, Hydraulic Department of Oran region, 2011.

Shelton, M.L., 2009, Hydroclimatology: Perspectives and Applications, Cambridge

University Press, New York

SOFRECO, Etude d’actualisation du plan national de l’eau, Algerian Ministry of Water

Resources, 2010.

Soden, B. J., & Held, I. M. (2006). An assessment of climate feedbacks in coupled ocean-
atmosphere models. Journal of Climate, 19(14), 3354-3360.

SOGREAH, Inventaire de la petite et moyenne hydraulique de la Wilaya d’Oran, Algerian

Ministery of Water Resources, 2009.

Stocker, T. (2011).Introduction to climate modelling. Springer. 179 p

Stockholm Environment Institute (2011), ‘WEAP user guide’.

Thabet, B., & Thabet, C. (1995). Modélisation de variables aléatoires: cas de la

pluviométrie. Cahiers Options Méditerranéennes, 9, 135-150.

186
Thornthwaite, C. W. (1948). An approach toward a rational classification of
climate.Geographical review, 38(1), 55-94.

Treyer S. (2002). Analyse des Stratégies et Prospectives de l’Eau en Tunisie.Plan Bleu,

Sophia Antipolis.

Trenberth, K.E. (Ed) (1992). Climate System Modeling. Cambridge University Press.

Tsakiris, G., Pangalou, D., & Vangelis, H. (2007). Regional drought assessment based on the
Reconnaissance Drought Index (RDI). Water resources management, 21(5), 821-833.

Tubiello, F. N., & Fischer, G. (2007).Reducing climate change impacts on agriculture: Global
and regional effects of mitigation, 2000–2080.Technological Forecasting and Social Change,
74(7), 1030-1056.

UNEP (1997), World atlas of desertification, (Ed. by Middleton N, Thomas D, Arnold E.),
London.

Varis O, Kajander T, Lemmelä, R., 2004. Climate and water: from climate models to water
resources management and vice versa. Clim Change 66, 321–344

Westcott, R. (2004). A scenario approach to demand forecasting. Water Science and

Technology-Water Supply-, 4, 45-56.

Wilby, R. L., & Dawson, C. W. (2007).SDSM 4.2-A decision support tool for the assessment
of regional climate change impacts, Version 4.2 User Manual. Lancaster University:
Lancaster/Environment Agency of England and Wales.

Wilby, R. L. (2005). Constructing wet season precipitation scenarios for a site in the Anti
Atlas Mountains, Morocco. In Proc. Conf. on Optimizing Land and Water Resources in Arid
Environments.

Wilby, R. L., Dawson, C. W., & Barrow, E. M. (2002).SDSM—a decision support tool for the
assessment of regional climate change impacts. Environmental Modelling & Software, 17(2),
145-157.

Wilby, R. L., Charles, S. P., Zorita, E., Timbal, B., Whetton, P., &Mearns, L. O.
(2004).Guidelines for use of climate scenarios developed from statistical downscaling
methods. Supporting material of the Intergovernmental Panel on Climate Change, available
from the DDC of IPCC TGCIA, 27.

Xu, C. Y., Widén, E., &Halldin, S. (2005). Modelling hydrological consequences of climate
change—progress and challenges. Advances in Atmospheric Sciences, 22(6), 789-797.

Yates D., J. Sieber, D. Purkey et A. Huber-Lee, (2005), ‘WEAP21 – A Demand-, Priority-,

and Preference-Driven Water Planning Model. Part 1: Model Characteristics’, Water
International, V. 30, N° 4, 487–500.

187
Yates, D. N. (1996).WatBal: An integrated water balance model for climate impact
assessment of river basin runoff. International Journal of Water
ResourcesDevelopment, 12(2), 121-140.

Yebdri D. (2007), Contribution à la gestion des ressources en eau superficielle du bassin de

la Tafna. PhD thesis, Department of Hydraulics, USTO, 181p

Yebdri D., Errih, M., Hamlet, A., &Tidjani, A. E. B. (2007).The water resources management
study of the Wadi Tafna Basin (Algeria) using the SWAT model. African Water J, 1(1), 36-50.

188